集成学习（上）Task01：熟悉机器学习的主要任务

这算是我第一次正式、系统学习【机器学习】和【集成学习】，言外之意我就是个小白（交通专业，不过对用python进行数据分析还是有基础的）～～关于打卡，我只想把自己最关心的、对我最有价值的部分提取出来，一方面算作给自己的回忆，另一方面也算做给和我同样水平的小伙伴的分享吧！

1 什么是机器学习

一句话概括机器学习：利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。

1. 这个数据长啥样呢？ 从我的专业接触的数据分析概念出发，可以简单粗暴认为数据就是一个DataFrame表，一行表示一个样本$x_i$，一列表示所有样本的一个特征$x^{(k)}$。
2. 有了数据，机器学习的任务是啥呢？ 根据数据是否有因变量，机器学习的任务可分为有监督学习和无监督学习。
3. 有监督学习和无监督学习的区别是什么？
   有监督学习：给定某些特征去估计因变量；
   无监督学习：给定某些特征但不给定因变量，建模的目的是学习数据本身的结构和关系。
4. 本期机器学习的重点是【有监督学习】，那么有监督学习怎么分类？
   回归：因变量是连续型变量；
   分类：因变量是离散型变量。
5. 机器学习的工具是什么？ sklearn

下面进入实操！

2 有监督学习导论

2.1 回归

第一步：导入要用的包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline 
plt.style.use("ggplot")      
import seaborn as sns

第二步：导入数据

因为是导论嘛，就用例子来说明问题吧。这里使用sklearn内置数据集Boston房价数据集。

sklearn中所有内置数据集都封装在datasets对象内，返回的对象有：

• data：特征X的矩阵(ndarray)
• target：因变量的向量(ndarray)
• feature_names：特征名称(ndarray)

from sklearn import datasets
boston = datasets.load_boston()     # 返回一个类似于字典的类
X = boston.data
y = boston.target
features = boston.feature_names
boston_data = pd.DataFrame(X,columns=features)  # 注意这种生成表格的方式
boston_data["Price"] = y

这个数据长下面这样：

第三步：分析数据

各个特征的含义如下：

• CRIM：各城镇的人均犯罪率
• ZN：规划地段超过25,000平方英尺的住宅用地比例
• INDUS：城镇非零售商业用地比例
• CHAS：是否在查尔斯河边(=1是)
• NOX：一氧化氮浓度(/千万分之一)
• RM：每个住宅的平均房间数
• AGE：1940年以前建造的自住房屋的比例
• DIS：到波士顿五个就业中心的加权距离
• RAD：放射状公路的可达性指数
• TAX：全部价值的房产税率(每1万美元)
• PTRATIO：按城镇分配的学生与教师比例
• B：$1000(B_k-0.63{)}^2$其中$B_k$是每个城镇的黑人比例
• LSTAT：较低地位人口

因变量：Price——房价

可以看出，因变量为波士顿房价Price是一个连续型变量，所以这是一个回归的例子。

2.2 分类

第一步：导入要用的包（和回归部分相同）

第二部：导入数据

这里使用sklearn内置iris数据集。

from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
features = iris.feature_names
iris_data = pd.DataFrame(X,columns=features)
iris_data['target'] = y

这个数据长下面这样：

第三步：分析数据

各特征的含义如下：

• sepal length (cm)：花萼长度(厘米)
• sepal width (cm)：花萼宽度(厘米)
• petal length (cm)：花瓣长度(厘米)
• petal width (cm)：花瓣宽度(厘米)

因变量：target——类型

为了更直观地看这个数据，画个图：

marker = ['s','x','o']

plt.rcParams['font.sans-serif']=['Times New Roman']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (5,3), dpi = 512)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x=iris_data.loc[y==c,"sepal length (cm)"],
                y=iris_data.loc[y==c,"sepal width (cm)"],
                alpha=0.8,label=c,marker=marker[c])
plt.xlabel("sepal length (cm)")
plt.ylabel("sepal width (cm)")
plt.legend()
plt.show()

注意！这里用循环来对每一各target对应的值进行散点图绘制。一点小的技巧：

• 用enumerate函数来代替繁琐的for循环；
• 选中y(target)值为某值的一列的数据，用df.loc[y==c, '列名']，也可以用df[df['target'] == 0]['列名'].tolist()

先看看花萼长度-花萼宽度的相关关系：

再看花瓣长度-花瓣宽度的相关关系：

可以看出，每种不同的颜色和点的样式为一种类型的鸢尾花，数据集有三种不同类型的鸢尾花（因变量是一个类别变量），因此通过特征预测鸢尾花类别的问题是一个分类问题。