Python數據科學入門

Dmitry Zinoviev著
熊子源 譯

---

第10章 機器學習

監督學習	嘗試從具有標記的訓練數據集中推斷出預測函數，其中訓練數據集中的每一個樣本屬于哪類都是已知的。（線性回歸、邏輯回歸、隨機決策森林、樸素貝葉斯分類、支持向量機、線性判別分析、神經網絡）
無監督學習	嘗試在沒有標記的數據中找出隱藏的結構。（K均值、社區檢測、分層聚類、主成分分析）

第48單元 設計預測試驗

完成模型的建立、評估和驗證有一下四個步驟：

1. 將輸入數據分成訓練集和測試集（一般占比為7:3）；
2. 僅使用訓練集構建數據模型；
3. 將新模型應用于測試集；
4. 評估模型質量（通過多方面的評價指標來評估，比如準確度等）。

模型評價指標可有四個方面：準確度、精確度、靈敏度（召回率）和特異性

TP	模型正確地預測了屬性為存在的項目數（真陽）
TN	模型正確地預測了屬性為不存在的項目數（真陰）
FP	模型錯誤地預測了屬性為存在的項目數（假陽）
FN	模型錯誤地預測了屬性為不存在的項目數（假陰）

準確度 是正確分類項目的比例：

精確度 是所有陽性分類中真陽所占的比例：

**靈敏度（召回率）**是在所有陽真實值中真陽所占的比例：

特異性 是在所有陰真實值中真陰所占的比例

第49單元 線性回歸擬合

普通最小二乘回歸（OLS）
訓練模型的過程是最小化加權殘差的平方和（SSR）：

脊回歸
模型正則化：

當α=0，脊回歸退化為OLS回歸。α越大，懲罰越大。
邏輯回歸
創建一個邏輯回歸對象：

            
              LogisticRegression()

            
          

其中包含一個最重要的參數C，參數C是正則化參數的倒數（脊回歸的α的倒數）。為了使分類的結果有意義，一般取值至少為20。

第50單元 用K均值聚類實現數據分組

K均值聚類按照下面的算法將樣本聚合成k個類：

1. 隨機選擇k個初始矢量作為初始質心（矢量不需要時數據集中的樣本）；
2. 將每個樣本分配給它最接近的質心；
3. 重新計算質心位置；
4. 重復步驟（2）和（3），直到質心不再移動。

---

《Python數據科學入門》這本書中的主要內容也就概述完了。這本書每個章節后面都有三道習題，本人感覺挺有用的，大家可以自行學習。（ "The more you know who you are and what you want,the less you let things upset you."--《Lost in Translation》 ）