简单几步，教你使用scikit-learn做分类和回归预测

前言

scikit-learn是基于 Python 的一个机器学习库，你可以在scikit-learn库中选择合适的模型，使用它训练数据集并对新数据集作出预测。

对于初学者来说，有一个共同的困惑：怎么使用scikit-learn库中的模型做预测？本文的目的就是解答这个困惑，手把手地教你使用机器学习模型。

分以下三点内容：

• 针对特定的预测如何选择合适的模型

• 什么是分类预测

• 什么是回归预测

废话不多说，让我们开始吧！

一、选择模型

模型选择是机器学习的第一步。

你可以使用K折交叉验证或者分割训练集/测试集的方法处理数据集，并用来训练模型。这样做为了能够让训练出来的模型对新数据集做出预测。

还要判断该问题是分类问题还是回归问题。

分类问题预测的是类别、标签，一般来说是二分类即（0，1），比如是否下雨。

回归问题预测的是连续的数值，比如股票的价格。

二、如何使用分类模型

分类问题是指模型学习输入特征和输出标签之间的映射关系，然后对新的输入预测标签。

拿识别垃圾邮件举例，输入的是邮件的文本、时间、标题等等特征，而输出的则是垃圾邮件和非垃圾邮件两个标签。

模型通过训练数据集，学习特征与标签的关系，才能做出预测。

下面给出一个简单的，针对二进制分类问题的LogisticRegression（逻辑回归）模型代码示例。

虽然我们用的是LogisticRegression（逻辑回归）分类模型解决问题，但scikit-learn中的其它分类模型同样适用。

# 导入LogisticRegression方法
from sklearn.linear_model import LogisticRegression
# 导入数据生成器
from sklearn.datasets.samples_generator import make_blobs
# 生成2维数据，类别是2类
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
# 训练模型
model = LogisticRegression()
model.fit(X, y)

注：make_blobs为聚类数据生成器

这里特别介绍两种分类预测的模型，类别预测和概率预测。

1、类别预测

类别预测：给定模型并训练数据实例后，通过scikit-learn的predict()函数预测新数据实例的类别。

比如，Xnew数组中有一个或多个数据实例，这个数组可以传递给predict()函数，用来预测每个实例的类别。

Xnew = [[...], [...]]
ynew = model.predict(Xnew)

输入代码：

# 类别预测案例
from sklearn.linear_model import LogisticRegression
from sklearn.datasets.samples_generator import make_blobs
# 生成数据集，有100个实列即100行，目标类别有2个:(0,1)
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
# 拟合模型
model = LogisticRegression()
model.fit(X, y)

# 生成新的预测数据集，有3个实例。这里的新实例可以为1个或多个
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
# 开始预测
ynew = model.predict(Xnew)
# 展示类别的预测结果
print('预测类别：')
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
# 展示数据集真实类别
print('真实类别：')
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], _[i]))

输出结果：

可以看到，预测值和真实值一样，说明准确率100%。

• 关于字符串类别标签的小提示

有时候，数据集的类别可能是字符串，比如（是，否）、（热，冷）等，但模型并不接受字符串输入输出，必须将字符串类别转化为整数的形式，比如（1，0）对应（是，否）。

scikit-learn提供LabelEncoder函数，用以将字符串转换为整数。

2、概率预测

另一种分类模型是预测数据实例属于每个类别的概率，如果有2个类别（0，1），则预测输出值为0的概率和1概率。

比如，Xnew数组中有一个或多个数据实例，这个数组可以传递给predict_proba()函数，用来预测每个实例的类别。

Xnew = [[...], [...]]
ynew = model.predict_proba(Xnew)

概率预测只适用于能够进行概率预测的模型，大多数（不是全部）模型可以做到。

下面的例子，通过训练好的模型对Xnew数组中的每个实例进行概率预测。

输入代码：

# 概率预测案例
from sklearn.linear_model import LogisticRegression
from sklearn.datasets.samples_generator import make_blobs
# 生成数据集，有100个实列即100行，目标类别有2个:(0,1)
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
# 训练模型
model = LogisticRegression()
model.fit(X, y)

# 生成新的预测集，有3个实例即3行
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
# 开始预测
ynew = model.predict_proba(Xnew)
# 展示预测的类别概率，分别生成为0的概率和为1的概率
print('预测的类别概率：')
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
print('真实类别：')
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], _[i]))

输出结果：

概率预测的输出可以理解为：输出每个类别的概率，有多少个类别就有多少个概率值。

三、如何使用回归模型

回归预测和分类预测一样，都是一种监督学习。通过训练给定的示例即训练集，模型学习到输入特征和输出值之间的映射关系，如输出值为0.1，0.4，0.8......

下面代码用的最常见的LinearRegression线性回归预测模型，当然你也可以用其它所有回归模型来实践它。

输入代码：

# 线性回归预测案例
# 导入相关方法
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
# 生成随机回归训练数据集，有100个实列即100行
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
# 拟合模型
model = LinearRegression()
model.fit(X, y)

# 生成新的预测集，有3个实例即3行
Xnew, _ = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
# 开始预测
ynew = model.predict(Xnew)
# 展示预测的值
print('预测值：')
for i in range(len(Xnew)):
	print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
# 展示真实的值
print('真实值：')
for i in range(len(Xnew)):
	print("X=%s, Real=%s" % (Xnew[i], _[i]))

注：make_regression函数为随机回归数据集生成器

输出结果：

四、总结

本文分别用scikit-learn库中的分类模型和回归模型做了预测，并解释了这两种预测模型的区别，你也可以探索其它相关函数并实现文中的案例。

精彩回顾