首頁 > 軟體

python機器學習實現oneR演演算法(以鳶尾data為例)

2022-03-03 13:00:57

oneR即“一條規則”。oneR演演算法根據已有的資料中,具有相同特徵值的個體最可能屬於哪個類別來進行分類。
以鳶尾data為例,該演演算法實現過程可解讀為以下六步:

一、 導包與獲取資料

以均值為閾值,將大於或等於閾值的特徵標記為1,低於閾值的特徵標記為0。

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from collections import defaultdict
from operator import itemgetter
import warnings
from sklearn.metrics import classification_report

# 載入內建iris資料,並儲存
dataset = load_iris()  
X = dataset.data
y = dataset.target

attribute_means = X.mean(axis=0)  # 得到一個列表,列表元素個數為特徵值個數,列表值為每個特徵的均值
X_d = np.array(X >= attribute_means, dtype='int')  # 轉bool型別

資料到此已獲取完畢,接下來將其劃分為訓練集和測試集。

二、劃分為訓練集和測試集

使用預設的0.25作為分割比例。即訓練集:測試集=3:1。

X_train, X_test, y_train, y_test = train_test_split(X_d, y, random_state=random_state)

資料描述:
本例中共有四個特徵,
原資料集有150個樣本,分割後訓練集有112個資料,測試集有38個資料。
標籤一共分為三類,取值可以是0,1,2。

三、定義函數:獲取某特徵值出現次數最多的類別及錯誤率

首先遍歷特徵的每一個取值,對於每一個特徵值,統計它在各個類別中出現的次數。
定義一個函數,有以下四個引數:

  • X, y_true即 訓練集資料和標籤
  • feature是特徵的索引值,可以是0,1,2,3。
  • value是特徵可以有的取值,這裡為0,1。

該函數的意義在於,對於訓練集資料,對於某個特徵,依次遍歷樣本在該特徵的真實取值,判斷其是否等於特徵的某個可以有的取值 (即value)(以0為例)。如果判定成功,則在字典class_counts中記錄,以三個類別(0,1,2)中該樣本對應的類別為鍵值,表示該類別出現的次數加一。

首先得到的字典(class_counts)形如:
{0: x1, 1.0: x2, 2.0:x3}
其中元素不一定是三個
x1:類別0中,某個特徵feature的特徵值為value(0或1)出現的次數
x2:類別0中,某個特徵feature的特徵值為value(0或1)出現的次數
x3:類別0中,某個特徵feature的特徵值為value(0或1)出現的次數

然後將class_counts按照值的大小排序,取出指定特徵的特徵值出現次數最多的類別:most_frequent_class。
該規則即為:該特徵的該特徵值出現在其出現次數最多的類別上是合理的,出現在其它類別上是錯誤的。

最後計算該規則的錯誤率:error
錯誤率具有該特徵的個體在除出現次數最多的類別出現的次數,代表分類規則不適用的個體的數量

最後返回待預測的個體類別錯誤率

def train_feature_value(X, y_true, feature, value):
    class_counts = defaultdict(int)
    for sample, y_t in zip(X, y_true):
        if sample[feature] == value:
            class_counts[y_t] += 1
    sorted_class_counts = sorted(class_counts.items(), key=itemgetter(1), reverse=True) # 降序
    most_frequent_class = sorted_class_counts[0][0]
    error = sum([class_count for class_value, class_count in class_counts.items()
                 if class_value != most_frequent_class])
    return most_frequent_class, error

返回值most_frequent_class是一個字典, error是一個數位

四、定義函數:獲取每個特徵值下出現次數最多的類別、錯誤率

def train(X, y_true, feature):
    n_samples, n_features = X.shape
    assert 0 <= feature < n_features
    # 獲取樣本中某特徵所有可能的取值
    values = set(X[:, feature])
    predictors = dict()
    errors = []
    for current_value in values:
        most_frequent_class, error = train_feature_value(X, y_true, feature, current_value)
        predictors[current_value] = most_frequent_class
        errors.append(error)
    total_error = sum(errors)
    return predictors, total_error

因為most_frequent_class是一個字典,所以predictors是一個鍵為特徵可以的取值(0和1),值為字典most_frequent_class的 字典。
total_error是一個數位,為每個特徵值下的錯誤率的和。

五、呼叫函數,獲取最佳特徵值

all_predictors = {variable: train(X_train, y_train, variable) for variable in range(X_train.shape[1])}
Errors = {variable: error for variable, (mapping, error) in all_predictors.items()}
# 找到錯誤率最低的特徵
best_variable, best_error = sorted(Errors.items(), key=itemgetter(1))[0]  # 升序
print("The best model is based on feature {0} and has error {1:.2f}".format(best_variable, best_error))
# 找到最佳特徵值,建立model模型
model = {'variable': best_variable,
         'predictor': all_predictors[best_variable][0]}
print(model)

根據程式碼執行結果,最佳特徵值是特徵2(索引值為2的feature,即第三個特徵)。

對於初學者這裡的程式碼邏輯比較複雜,可以對變數進行逐個列印檢視,閱讀blog學習時要盯準字眼,細品其邏輯。

print(all_predictors)
print(all_predictors[best_variable])
print(all_predictors[best_variable][0])

六、測試演演算法

定義預測函數,對測試集資料進行預測

def predict(X_test, model):
    variable = model['variable']
    predictor = model['predictor']
    y_predicted = np.array([predictor[int(sample[variable])] for sample in X_test])
    return y_predicted

# 對測試集資料進行預測
y_predicted = predict(X_test, model)
print(y_predicted)

預測結果:

# 統計預測準確率
accuracy = np.mean(y_predicted == y_test) * 100
print("The test accuracy is {:.1f}%".format(accuracy))

根據列印結果,該模型預測的準確率可達65.8%,對於只有一條規則的oneR演演算法而言,結果是比較良好的。到此便實現了oneR演演算法的一次完整應用。

最後,還可以使用classification_report()方法,傳入測試集的真實值和預測值,列印出模型評估報告。

# 遮蔽警告
warnings.filterwarnings("ignore") 
# 列印模型評估報告
print(classification_report(y_test, y_predicted))  # 引數為測試集的真實資料和預測資料

 到此這篇關於python機器學習實現oneR演演算法(以鳶尾data為例)的文章就介紹到這了,更多相關python oneR演演算法內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com!


IT145.com E-mail:sddin#qq.com