介绍
机器学习是计算机科学，人工智能和统计学的研究领域。 机器学习的重点是训练算法来学习模式并从数据中做出预测。 机器学习特别有价值，因为它使我们能够使用计算机来自动执行决策过程。
你会发现机器学习应用无处不在。 Netflix和Amazon使用机器学习来制作新产品的建议。 银行使用机器学习来检测信用卡交易中的Cheat活动，医疗保健公司开始使用机器学习来监测，评估和诊断患者。
在本教程中，您将使用Scikit学习 （一种用于Python的机器学习工具）在Python中实现简单的机器学习算法。 使用乳腺癌肿瘤信息数据库，您将使用一种预测肿瘤是恶性还是良性的朴素贝叶斯（NB）分类器。
在本教程结束之前，您将了解如何在Python中构建自己的机器学习模型。
先决条件
要完成本教程，您将需要：
- Python 3和本地编程环境设置在您的计算机上。 您可以按照相应的安装并设置操作系统指南来进行配置。
- 如果您是Python的新手，您可以在Python 3中探索如何编写代码来熟悉该语言。
- Jupyter Notebook安装在本教程的virtualenv中。 Jupyter笔记本在运行机器学习实验时非常有用。 您可以运行较短的代码块，并快速查看结果，从而轻松测试和调试代码。
第1步 - 导入Scikit学习
我们开始安装Python模块Scikit学习 ，这是Python中最好和最有说明力的机器学习库之一。
要开始我们的编码项目，让我们激活我们的Python 3编程环境。 确保您位于您的环境所在的目录中，并运行以下命令：
. my_env/bin/activate
在我们的编程环境激活后，检查Sckikit学习模块是否已经安装：
python -c "import sklearn"
如果安装了sklearn ，此命令将完成，没有任何错误。 如果没有安装，您将看到以下错误消息：
OutputTraceback (most recent call last): File "<string>", line 1, in <module> ImportError: No module named 'sklearn'
错误信息表示没有安装sklearn ，所以使用pip下载库：
pip install scikit-learn[alldeps]
安装完成后，启动Jupyter Notebook：
jupyter notebook
在Jupyter中，创建一个名为ML Tutorial的新Python笔记本。 在笔记本的第一个单元格中， 导入 sklearn模块：
import sklearn
您的笔记本应如下图所示：
现在我们已经在笔记本中输入了sklearn ，我们可以开始使用我们的机器学习模型的数据集。
第2步 - 导入Scikit学习的数据集
我们将在本教程中使用的数据集是乳腺癌威斯康星诊断数据库 。 该数据集包括关于乳腺癌肿瘤的各种信息，以及恶性或良性的分类标记。 该数据集在569个肿瘤上具有569个实例或数据，并包括关于30个属性或特征的信息，例如肿瘤的半径，纹理，平滑度和面积。
使用这个数据集，我们将建立一个机器学习模型，使用肿瘤信息来预测肿瘤是恶性还是良性。
Scikit-learn安装了各种数据集，我们可以加载到Python中，并且包含我们想要的数据集。 导入并加载数据集：
...
from sklearn.datasets import load_breast_cancer
# Load dataset
data = load_breast_cancer()
data 变量表示一个类似于字典的Python对象。 要考虑的重要字典键是分类标签名称（ target_names ），实际标签（ target ），属性/功能名称（ feature_names ）和属性（ data ）。
属性是任何分类器的关键部分。 属性捕获关于数据性质的重要特征。 鉴于我们试图预测（恶性与良性肿瘤）的标签，可能的有用属性包括肿瘤的大小，半径和质地。
为每个重要信息集创建新变量并分配数据：
...
# Organize our data
label_names = data['target_names']
labels = data['target']
feature_names = data['feature_names']
features = data['data']
我们现在有各种信息的列表 。 为了更好地了解我们的数据集，我们来看看我们的数据，打印我们的类标签，第一个数据实例的标签，我们的功能名称和第一个数据实例的特征值：
...
# Look at our data
print(label_names)
print(labels[0])
print(feature_names[0])
print(features[0])
如果您运行代码，您将看到以下结果：
如图所示，我们的类名称是恶性和良性的 ，然后将其映射到0和1二进制值，其中0表示恶性肿瘤， 1表示良性肿瘤。 因此，我们的第一个数据实例是一个恶性肿瘤， 平均半径为1.79900000e+01 。
现在我们已经加载了我们的数据，我们可以使用我们的数据来构建我们的机器学习分类器。
第3步 - 将数据组织成集合
为了评估分类器的性能，您应该始终对未知数据进行模型测试。 因此，在构建模型之前，将数据分为两部分： 训练集和测试集 。
在开发阶段，您将使用培训机构对模型进行培训和评估。 然后，您可以使用经过训练的模型对未知测试集进行预测。 这种方法使您了解模型的性能和鲁棒性。
幸运的是， sklearn有一个名为train_test_split()的函数，它将您的数据分成这些集合。 导入该功能，然后使用它来拆分数据：
...
from sklearn.model_selection import train_test_split
# Split our data
train, test, train_labels, test_labels = train_test_split(features,
labels,
test_size=0.33,
random_state=42)
该函数使用test_size参数随机分割数据。 在这个例子中，我们现在有一个测试集（ test ），它代表原始数据集的33％。 剩下的数据（ train ）然后组成训练数据。 我们还有列车/测试变量的相应标签，即train_labels和test_labels 。
我们现在可以继续训练我们的第一个模型。
第4步 - 建立和评估模型
有很多机器学习模式，每个模型都有自己的优点和缺点。 在本教程中，我们将重点介绍通常在二进制分类任务（即朴素贝叶斯（NB））中表现良好的简单算法。
首先，导入GaussianNB模块。 然后用GaussianNB()函数初始化模型，然后通过使用gnb.fit()将其拟合到数据来训练模型：
...
from sklearn.naive_bayes import GaussianNB
# Initialize our classifier
gnb = GaussianNB()
# Train our classifier
model = gnb.fit(train, train_labels)
在我们训练模型之后，我们可以使用经过训练的模型来对我们的测试集进行预测，我们使用predict()函数。 predict()函数返回测试集中每个数据实例的预测数组。 我们可以打印我们的预测，以了解模型的确定。
在test集中使用predict()函数并打印结果：
...
# Make predictions
preds = gnb.predict(test)
print(preds)
运行代码，您将看到以下结果：
如Jupyter Notebook输出中所示， predict()函数返回一个0 s和1 s的数组，代表肿瘤类别（恶性与良性）的预测值。
现在我们有了我们的预测，我们来评估我们的分类器的表现。
第5步 - 评估模型的准确性
使用真正的类标签数组，我们可以通过比较两个数组（ test_labels与preds ）来评估模型预测值的准确性。 我们将使用sklearn函数sklearn accuracy_score()来确定我们的机器学习分类器的准确性。
...
from sklearn.metrics import accuracy_score
# Evaluate accuracy
print(accuracy_score(test_labels, preds))
您会看到以下结果：
如输出中所示，NB分类器的准确度为94.15％。 这意味着94.15％的分类器能够对肿瘤是恶性还是良性进行正确的预测。 这些结果表明，我们的30个属性的特征集是肿瘤类的良好指标。
您已经成功构建了您的第一台机器学习分类器。 我们通过将所有import语句放在Notebook或脚本的顶部来重组代码。 代码的最终版本应如下所示：
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
# Load dataset
data = load_breast_cancer()
# Organize our data
label_names = data['target_names']
labels = data['target']
feature_names = data['feature_names']
features = data['data']
# Look at our data
print(label_names)
print('Class label = ', labels[0])
print(feature_names)
print(features[0])
# Split our data
train, test, train_labels, test_labels = train_test_split(features,
labels,
test_size=0.33,
random_state=42)
# Initialize our classifier
gnb = GaussianNB()
# Train our classifier
model = gnb.fit(train, train_labels)
# Make predictions
preds = gnb.predict(test)
print(preds)
# Evaluate accuracy
print(accuracy_score(test_labels, preds))
现在，您可以继续使用代码来查看是否可以使您的分类器执行得更好。 您可以尝试不同的功能子集，甚至尝试完全不同的算法。 查看Scikit学习的网站了解更多的机器学习想法。
结论
在本教程中，您学习了如何在Python中构建机器学习分类器。 现在，您可以使用Scikit学习在Python中加载数据，组织数据，训练，预测和评估机器学习分类器。 本教程中的步骤应该有助于您在Python中使用自己的数据的过程。
