两步帮你快速选择SKlearn机器学习模型

机器学习算法与Python实战

共 1968字,需浏览 4分钟

 ·

2021-02-09 12:07

Scikit-learn,简称Sklearn,是使用最广泛的开源Python机器学习库。它基于NumpyScipy,提供了大量用于数据挖掘和机器学习分析、预测的工具,包括数据预处理、可视化、交叉验证和多种机器学习算法。其中提供的模型能够实现分类,回归,聚类,数据降维等功能。


Sklearn是解决实际问题的一种工具,但面对机器学习问题时,最难的部分其实并不是缺乏工具,而是如何为具体项目找到合适的模型。


此处举2个案例。


  • 案例1:老板丢给你20万个客户的淘宝网店购物记录,让你预测其中客户未来的一年内的生命周期价值LTVLife TimeValue),用Scikit-learn中的哪个模型?

  • 案例2:老板丢给你1000个客户的下载、注册、使用和卸载App的行为记录,让你预测其中一些客户未来3个月内流失的可能性,用Scikit-learn中的哪个模型?

Sklearn中的机器学习模型这么多,怎么知道哪个模型适合处理什么类型的数据,解决什么样的问题呢?


步骤1:找到Sklearn官网提供的“工具选择流程图”。只要带着问题,跟着图往下走,就能够找到答案。


此处整理了中文版本,便于大家阅读。


              

步骤2:跟着图分解自己的案例。


案例1为例:

  1. 从上图的“开始”往下走,进入“大于50个样本”环节;

  2. 然后判断为“Yes”,进入“预测类别”环节;

  3. 这里是预测价值,明显不是类别,跟着No进入“预测数值”环节;

  4. 然后进入“小于10万个样本”环节,

  5. 我们这里有20万个样本,因此跟着No进入SGD(小批量梯度下降)回归”模型——找到合适的模型啦!!


如果你是程序员,有时候会希望用程序化的方法进行模型的选择,可以参考如下伪代码:


IF数据量少于50
  
数据样本太少了,先获取更多数据吧!!
ELSE
数据量多于过50
  IF
是分类问题
    IF
数据有标签
        IF
数据量大于10万,
         
选择SGD分类器
        ELSE
数据量大于10万,
         
先尝试线性SVM分类器,如果不好用,再继续尝试其他算法
         IF
特征为文本,
           
选择朴素贝叶斯SVM
         ELSE

           
先尝试kNN,如果不好用,尝试SVM加集成方法
    ELSE
数据没有标签,
     
选择各种聚类算法
  ELSE
不是分类问题,
   IF
需要预测数量,就是回归问题
      IF
数据量大于10万,
       
就选择SGD线性回归
      ELSE

       
根据数据集特征的特点,有Lasso回归和Ridge回归、集成方法、SVM等几种选择。
    ELSE
如果是要把数据可视化,
     
则考虑等几种降维方法
    ELSE
如果是要输出数据的结构
     
对不起,Sklearn帮不了你


——上面的内容节选并整理自《零基础学机器学习》


如果SKlearn中的模型都帮不到你的话,那么就需要考虑深度学习库了,这一方法以后的文章会讲到。


此外,选取多种算法模型去解决同一个问题,然后将各种算法的效率进行比较,也不失为一个好的方案。

 

那么,最后的问题来了,对于案例2,应该选择哪个Sklearn模型呢?请你试一试,并在文末留言说明你的模型选择流程,我们会抽一位答对的读者赠送一本刚出版的热门机器学习新书《零基础学机器学习》呦。

 

《零基础学机器学习》,通过AI“小白”小冰拜师程序员咖哥学习机器学习的对话展开,内容轻松,实战性强,主要包括机器学习快速上手路径、数学和Python基础知识、机器学习基础算法(线性回归和逻辑回归)、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容,以及相关实战案例。本书所有案例均通过PythonScikit-learn机器学习库和Keras 深度学习框架实现,同时还包含丰富的数据分析和数据可视化内容。

本书适合对AI 感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人,用以入门机器学习领域,建立从理论到实战的知识通道。


也可以加一下老胡的微信
围观朋友圈~~~


推荐阅读

(点击标题可跳转阅读)

干掉 LaTeX !用BookDown写本书
101道Numpy、Pandas练习题
【资源干货】香港中文大学《深度学习导论》2021课件
机器学习深度研究:特征选择中几个重要的统计学概念

老铁,三连支持一下,好吗?↓↓↓

浏览 10
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报