Scikit-learn筆記01_收集到的資料到底適合捨麼學習演算應用?

https://scikit-learn.org/1.5/machine_learning_map.html

上述sklearn官網擷取到的流程圖，可幫助我們決定應該採用何種預測方法。

流程從 START 開始，通過回答一系列問題來縮小演算法範圍

• 假如資料筆數枚超過50筆，那應該去取更多數據再來進行。
  
  
• 若要預測的是數值非類別，那Regression是唯一方法。當然又細分多種不同Regression方法，端視資料筆數以及是否加樣比重某些特徵值而定。
  
  
• 倘若要預測的是某個資料類別(Category)，那是否已有針對既定data定義好類別了?若還沒，那採用方式就應是非監督式Clustering或降維。反之則使用監督式學習的Classification，並視Sample資料筆數抉擇要用Liner SVC或SGD Classifier。

Python機器學習套件Scikit-Learn (SkLearn)

是一套開源套件並可商業使用，建構在Numpy,SciPy及Matplotlib之上。

https://scikit-learn.org/stable/

根據官方網站功能分為主要六大部分

學習演算法方面

1.Classification (分類) ->監督

目標：將輸入數據分到預定義的類別中。

2.Regression (迴歸) ->監督

目標：預測連續值（如房價、溫度）。

3.Clustering (分群) ->非監督

目標：根據數據間的相似性將數據分為若干群組（無標籤）。

比較不同演算法結果方面

4.Model Selection (模型選定)

目標：比較不同模型的表現，選擇最佳模型及其超參數。

偏向資料前處裡方面

5.Preprocessing (預處理)

目標：清理和轉換數據，以適合於機器學習模型。

6.Dimensionality reduction (降維)

目標：減少數據的特徵數量，保留關鍵信息。

在Spyder開啟後終端下pip list可查看目前版本。

預設在scikit-learn套件中，資料集主要用

Bunch物件型別儲存，類似python鍵值對的字典資料格式儲存。

目前最新版1.3以上sklearn默認提供的內建資料集，俗稱toy datasets如下:

https://scikit-learn.org/1.5/datasets/toy_dataset.html

鳶尾花資料集(Anderson's Iris dataset):涵蓋鳶尾花數據，包含花萼(Sepal,下垂)跟花瓣(Petal，直立)的長度及寬度，品種則包含:山鳶尾(Setosa)、變色鳶尾(Versicolor)跟維吉尼卡鳶尾(Virginica)

https://blog.csdn.net/qq_18937049/article/details/143948768

特徵陣列(Feature matrix)

通常用大寫X表示，又常被稱作「特徵欄位」、「特徵變數」、「自變數」、「影響因子」

• 列(row) : 資料集樣本
• 欄(column) : 資料集屬性

目標陣列(Target matrix)

通常用小寫y表示。又稱作「應變數」、「輸出結果」

• 每個值即表示每個樣本的類別

測試

from sklearn import datasets
import pandas as pd

iris_datasets=datasets.load_iris() #載入datasets裡的iris資料
print(type(iris_datasets)) #datasets裡的iris資料格式

print(type(iris_datasets.data))# 印出四欄位資料型態
print(type(iris_datasets.target))# 印出目標結果資料型態
print(type(iris_datasets.feature_names))# 印出四欄位名稱資料型態
print(iris_datasets.feature_names)  # 印出四欄位名稱(特徵)
print(iris_datasets.target_names)  # 印出目標(結果)欄位名稱
print(type(iris_datasets.target_names))# 印出目標欄位名稱資料型態
print(iris_datasets.target)  # 印出目標(結果)欄位的內容

https://scikit-learn.org/1.5/modules/generated/sklearn.datasets.load_iris.html#sklearn.datasets.load_iris

Dimensionality 維度4，主要是因為花瓣長、寬跟花萼長、寬各兩個，總計4個欄位的維度。
去分類屬於第1、2、3類。

https://scikit-learn.org/1.5/modules/generated/sklearn.datasets.load_breast_cancer.html#sklearn.datasets.load_breast_cancer

像肺腺癌則是有30個特徵值維度情況，去解30個變數的聯立方程式。

要2的30次方個運算式去解，因此維度愈高運算成本更高，涉及到降維處裡。

關於返回的Bunch物件格式回傳主要如下

藉由pandas將Bunch物件格式轉為dataFrame格式

多增加到另一個欄位flower_class

0:setosa

1:versicolor

2:virginica

測試程式

from sklearn import datasets
import pandas as pd

iris_datasets=datasets.load_iris() #載入datasets裡的iris資料

print(iris_datasets.target_names)  # 印出目標(結果)欄位名稱
#print(iris_datasets.target)  # 印出目標(結果)欄位的內容

iris_df=pd.DataFrame(iris_datasets.data,columns=iris_datasets.feature_names)
print(iris_df)

iris_df.loc[:,"flower_class"]=iris_datasets.target
print(iris_df)