机器学习入门

数据预处理：

1. 将？替换为缺失值

data = data.replace(to_replace="?",value=np.nan)

2. 丢掉缺失值

data.dropna(how="any)
#how=all删除全是缺失值的行和列
#haow=any删除有缺失值的行和列

3. 将数据集划分成测试集和训练集
   data[column_name[1:10]]是自变量x
   data[column_name[10]是因变量y

from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(data[column_names[1:10]],data[column_

4. 查看训练集、测试集分布

y_train.value_counts()

y_test.value_counts()

5. 进行标准化，上一篇说了标准化是什么。

from sklearn.preprocessing import StandardScaler

6. 载入模型：逻辑回归(logistics)，随机梯度参数估计（sgd）

# 逻辑回归
from sklearn.linear_model import LogisticRegression
# 随机梯度参数估计
from sklearn.linear_model import SGDClassifier

7. 标准化

ss = StandardScaler()
x_train = ss.fit_transform(x_train)
x_test = ss.fit_transform(x_test)

8. 初始化模型

lr = LogisticRegression()
sgdc = SGDClassifier()

9. 训练模型，预测模型

# 模型训练
lr.fit(x_train,y_train)
# 预测模型
lr_y_predict = lr.predict(x_test)
sgdc.fit(x_train,y_train)
sgdc_y_predict = sgdc.predict(x_test)

10. 衡量指标

from sklearn.metrics import classification_report

11. 准确度

print ('Accuracy of LR Classifier:',lr.score(x_test,y_test))

print ('Accuracy of SGD Classifier:',sgdc.score(x_test,y_test))

12. 生成报告

print(classification_report(y_test,lr_y_predict,target_names=['Benign','Malignant']))

print(classification_report(y_test,sgdc_y_predict,target_names=['Benign','Malignant']))