Scikit-learn

• python中的机器学习软件库：[1]

• Installed package of scikit-learn can be accelerated using scikit-learn-intelex. More details are available here: https://intel.github.io/scikit-learn-intelex. For example:

       $ conda install scikit-learn-intelex
       $ python -m sklearnex my_application.py

数据预处理

• scale: 数据归一化

from sklearn.preprocessing import scale

• 数据去除nan数值，可以用impute实现

from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer(missing_values=np.nan, strategy='mean')
ydata=Spax_PG16.reshape((len(Spax_PG16),1)) #必须二维数组 shape (n_samples, n_features)
print(ydata.mean()) #这时候是nan数值
ydata=imp_mean.fit_transform(ydata) #平均值填空
print(ydata.mean())
ydata=ydata.reshape(-1)

• train_test_split() 分为训练和测试集 [2]

from sklearn.model_selection import train_test_split

参数stratify是为了保持split前类（标签）的分布 （特别是用于标签数据不平衡，切不完全随机的时候）

• 找出离群点: LOF

输入的应该是nsample*nfeature的矩阵，很大的数据会很慢

from sklearn.neighbors import LocalOutlierFactor as LOF
clf = LOF(n_neighbors=2)
X = [[-1.1], [0.2], [101.1], [0.3]]
clf.fit(X)

随机森林

• 参考 [3] [4]

分类

• sklearn.ensemble import RandomForestClassifier
• n_estimators：随机森林中「树」的数量。
• max_features：每个分割处的特征数。

max_features = 'sqrt' 这意味着如果有16个特征，则在每个树中的每个节点处，只考虑4个随机特征来拆分节点。

• max_depth：每棵树可以拥有的最大「分裂」数。
• min_samples_split：在树的节点分裂前所需的最少观察数。
• min_samples_leaf：每棵树末端的叶节点所需的最少观察数。
• bootstrap：是否使用 bootstrapping 来为随机林中的每棵树提供数据。（bootstrapping 是从数据集中进行替换的随机抽样。）
• n_jobs: 可以决定要使用多少处理器内核来运行模型。设置「n_jobs = -1」将使模型运行最快，因为它使用了所有计算机核心。

回归

• sklearn.ensemble.RandomForestRegressor [5]
• 所有的参数，属性与接口，全部和随机森林分类器一致。仅有的不同就是回归树与分类树的不同，不纯度的指标， 参数Criterion不一致。

RandomForestRegressor(n_estimators='warn', 
                     criterion='mse', 
                     max_depth=None, 
                     min_samples_split=2, 
                     min_samples_leaf=1, 
                     min_weight_fraction_leaf=0.0, 
                     max_features='auto', 
                     max_leaf_nodes=None, 
                     min_impurity_decrease=0.0, 
                     min_impurity_split=None, 
                     bootstrap=True, 
                     oob_score=False, 
                     n_jobs=None, 
                     random_state=None, 
                     verbose=0, 
                     warm_start=False)

• criterion

"mse"使用均方误差mean squared error(MSE),"friedman_mse"使用费尔德曼均方误差; "mae"使用绝对平均误差MAE(mean absolute error)

• 对于回归来说，并不存在一个样本要被分到某个类别的概率问题，因此没有predict_proba这个接口。
• 对缺失值的处理参见 [6]

ANN

• MLPRegressor回归，参考 http://www.weixueyuan.net/a/914.html