Kaggle入门——使用scikit-learn解决DigitRecognition问题

Kaggle入门——使用scikit-learn解决DigitRecognition问题

@author: wepon@blog: http://blog.csdn.net/u012162613

1、scikit-learn简介

scikit-learn是一个基于NumPy、SciPy、Matplotlib的开源机器学习工具包，采用Python语言编写，主要涵盖分类、回归和聚类等算法，例如knn、SVM、逻辑回归、朴素贝叶斯、随机森林、k-means等等诸多算法，官网上代码和文档都非常不错，对于机器学习开发者来说，是一个使用方便而强大的工具，节省不少开发时间。
scikit-learn官网指南：http://scikit-learn.org/stable/user_guide.html

上一篇文章《大数据竞赛平台—Kaggle入门》  我分两部分内容介绍了Kaggle，在第二部分中，我记录了解决Kaggle上的竞赛项目DigitRecognition的整个过程，当时我是用自己写的kNN算法，尽管自己写歌kNN算法并不会花很多时间，但是当我们想尝试更多、更复杂的算法，如果每个算法都自己实现的话，会很浪费时间，这时候scikit-learn就发挥作用了，我们可以直接调用scikit-learn的算法包。当然，对于初学者来说，最好还是在理解了算法的基础上，来调用这些算法包，如果有时间，自己完整地实现一个算法相信会让你对算法掌握地更深入。
OK，话休絮烦，下面进入第二部分。

2、使用scikit-learn解决DigitRecognition

我发现自己很喜欢用DigitRecognition这个问题来练习分类算法，因为足够简单。如果你还不知道DigitRecognition问题是什么，请先简单了解一下：Kaggle DigitRecognition ，在我上一篇文章中也有描述：《大数据竞赛平台—Kaggle入门》 。下面我使用scikit-learn中的算法包kNN（k近邻）、SVM（支持向量机）、NB（朴素贝叶斯）来解决这个问题，解决问题的关键步骤有两个：1、处理数据。2、调用算法。

（1）处理数据

这一部分与上一篇文章《大数据竞赛平台—Kaggle入门》 中第二部分的数据处理是一样的，本文不打算重复，下面只简单地罗列各个函数及其功能，在本文最后部分也有详细的代码。
[python] view plain copydef loadTrainData():  
    #这个函数从train.csv文件中获取训练样本:trainData、trainLabel  
def loadTestData():  
    #这个函数从test.csv文件中获取测试样本:testData  
def toInt(array):  
def nomalizing(array):  
    #这两个函数在loadTrainData()和loadTestData()中被调用  
    #toInt()将字符串数组转化为整数，nomalizing()归一化整数  
def loadTestResult():  
    #这个函数加载测试样本的参考label，是为了后面的比较  
def saveResult(result,csvName):  
    #这个函数将result保存为csv文件，以csvName命名  

“处理数据”部分，我们从train.csv、test.csv文件中获取了训练样本的feature、训练样本的label、测试样本的feature，在程序中我们用trainData、trainLabel、testData表示。

（2）调用scikit-learn中的算法

kNN算法[python] view plain copy#调用scikit的knn算法包  
from sklearn.neighbors import KNeighborsClassifier    
def knnClassify(trainData,trainLabel,testData):   
    knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)  
    knnClf.fit(trainData,ravel(trainLabel))  
    testLabel=knnClf.predict(testData)  
    saveResult(testLabel,'sklearn_knn_Result.csv')  
    return testLabel  

kNN算法包可以自己设定参数k，默认k=5，上面的comments有说明。更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/neighbors.html

SVM算法[python] view plain copy#调用scikit的SVM算法包  
from sklearn import svm     
def svcClassify(trainData,trainLabel,testData):   
    svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’    
    svcClf.fit(trainData,ravel(trainLabel))  
    testLabel=svcClf.predict(testData)  
    saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')  
    return testLabel  

SVC()的参数有很多，核函数默认为'rbf'（径向基函数）,C默认为1.0更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/svm.html

朴素贝叶斯算法[python] view plain copy#调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNB  
from sklearn.naive_bayes import GaussianNB      #nb for 高斯分布的数据  
def GaussianNBClassify(trainData,trainLabel,testData):   
    nbClf=GaussianNB()            
    nbClf.fit(trainData,ravel(trainLabel))  
    testLabel=nbClf.predict(testData)  
    saveResult(testLabel,'sklearn_GaussianNB_Result.csv')  
    return testLabel  
      
from sklearn.naive_bayes import MultinomialNB   #nb for 多项式分布的数据      
def MultinomialNBClassify(trainData,trainLabel,testData):   
    nbClf=MultinomialNB(alpha=0.1)      #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.         
    nbClf.fit(trainData,ravel(trainLabel))  
    testLabel=nbClf.predict(testData)  
    saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')  
    return testLabel  

上面我尝试了两种朴素贝叶斯算法:高斯分布的和多项式分布的。多项式分布的函数有参数alpha可以自设定。更加详细的使用，推荐上官网查看：http://scikit-learn.org/stable/modules/naive_bayes.html

使用方法总结： 第一步：首先确定使用哪种分类器，这一步可以设置各种参数，比如:[python] view plain copysvcClf=svm.SVC(C=5.0)  

第二步：接这个分类器要使用哪些训练数据？调用fit方法，比如:[python] view plain copysvcClf.fit(trainData,ravel(trainLabel))  

fit(X,y)说明：X:  对应trainDataarray-like, shape = [n_samples, n_features]，X是训练样本的特征向量集，n_samples行n_features列，即每个训练样本占一行，每个训练样本有多少特征就有多少列。y:  对应trainLabelarray-like, shape = [n_samples]，y必须是一个行向量，这也是上面为什么使用numpy.ravel()函数的原因。
第三步：使用分类器预测测试样本，比如：[python] view plain copytestLabel=svcClf.predict(testData)  

调用predict方法。
第四步：保存结果，这一步是取决于我们解决问题的要求，因为本文以DigitRecognition为例，所以有：[python] view plain copysaveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')  

（3）make a submission

上面基本就是整个开发过程了，下面看一下各个算法的效果，在Kaggle上make a submission
knn算法的效果，准确率95.871%



朴素贝叶斯，alpha=1.0，准确率81.043%


SVM，linear核，准确率93.943%

3、工程文件

CSDN下载：Kaggle 入门-使用scikit-learn解决DigitRecoginition
Github：https://github.com/wepe/Kaggle-Solution

贴一下代码：[python] view plain copy#!/usr/bin/python  
# -*- coding: utf-8 -*-  
""" 
Created on Tue Dec 16 21:59:00 2014 
 
@author: wepon 
 
@blog:http://blog.csdn.net/u012162613 
"""  
  
from numpy import *  
import csv  
  
def toInt(array):  
    array=mat(array)  
    m,n=shape(array)  
    newArray=zeros((m,n))  
    for i in xrange(m):  
        for j in xrange(n):  
                newArray[i,j]=int(array[i,j])  
    return newArray  
      
def nomalizing(array):  
    m,n=shape(array)  
    for i in xrange(m):  
        for j in xrange(n):  
            if array[i,j]!=0:  
                array[i,j]=1  
    return array  
      
def loadTrainData():  
    l=[]  
    with open('train.csv') as file:  
         lines=csv.reader(file)  
         for line in lines:  
             l.append(line) #42001*785  
    l.remove(l[0])  
    l=array(l)  
    label=l[:,0]  
    data=l[:,1:]  
    return nomalizing(toInt(data)),toInt(label)  #label 1*42000  data 42000*784  
    #return trainData,trainLabel  
      
def loadTestData():  
    l=[]  
    with open('test.csv') as file:  
         lines=csv.reader(file)  
         for line in lines:  
             l.append(line)#28001*784  
    l.remove(l[0])  
    data=array(l)  
    return nomalizing(toInt(data))  #  data 28000*784  
    #return testData  
      
def loadTestResult():  
    l=[]  
    with open('knn_benchmark.csv') as file:  
         lines=csv.reader(file)  
         for line in lines:  
             l.append(line)#28001*2  
    l.remove(l[0])  
    label=array(l)  
    return toInt(label[:,1])  #  label 28000*1  
      
#result是结果列表   
#csvName是存放结果的csv文件名  
def saveResult(result,csvName):  
    with open(csvName,'wb') as myFile:      
        myWriter=csv.writer(myFile)  
        for i in result:  
            tmp=[]  
            tmp.append(i)  
            myWriter.writerow(tmp)  
              
              
#调用scikit的knn算法包  
from sklearn.neighbors import KNeighborsClassifier    
def knnClassify(trainData,trainLabel,testData):   
    knnClf=KNeighborsClassifier()#default:k = 5,defined by yourself:KNeighborsClassifier(n_neighbors=10)  
    knnClf.fit(trainData,ravel(trainLabel))  
    testLabel=knnClf.predict(testData)  
    saveResult(testLabel,'sklearn_knn_Result.csv')  
    return testLabel  
      
#调用scikit的SVM算法包  
from sklearn import svm     
def svcClassify(trainData,trainLabel,testData):   
    svcClf=svm.SVC(C=5.0) #default:C=1.0,kernel = 'rbf'. you can try kernel:‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’    
    svcClf.fit(trainData,ravel(trainLabel))  
    testLabel=svcClf.predict(testData)  
    saveResult(testLabel,'sklearn_SVC_C=5.0_Result.csv')  
    return testLabel  
      
#调用scikit的朴素贝叶斯算法包,GaussianNB和MultinomialNB  
from sklearn.naive_bayes import GaussianNB      #nb for 高斯分布的数据  
def GaussianNBClassify(trainData,trainLabel,testData):   
    nbClf=GaussianNB()            
    nbClf.fit(trainData,ravel(trainLabel))  
    testLabel=nbClf.predict(testData)  
    saveResult(testLabel,'sklearn_GaussianNB_Result.csv')  
    return testLabel  
      
from sklearn.naive_bayes import MultinomialNB   #nb for 多项式分布的数据      
def MultinomialNBClassify(trainData,trainLabel,testData):   
    nbClf=MultinomialNB(alpha=0.1)      #default alpha=1.0,Setting alpha = 1 is called Laplace smoothing, while alpha < 1 is called Lidstone smoothing.         
    nbClf.fit(trainData,ravel(trainLabel))  
    testLabel=nbClf.predict(testData)  
    saveResult(testLabel,'sklearn_MultinomialNB_alpha=0.1_Result.csv')  
    return testLabel  
  
  
def digitRecognition():  
    trainData,trainLabel=loadTrainData()  
    testData=loadTestData()  
    #使用不同算法  
    result1=knnClassify(trainData,trainLabel,testData)  
    result2=svcClassify(trainData,trainLabel,testData)  
    result3=GaussianNBClassify(trainData,trainLabel,testData)  
    result4=MultinomialNBClassify(trainData,trainLabel,testData)  
      
    #将结果与跟给定的knn_benchmark对比,以result1为例  
    resultGiven=loadTestResult()  
    m,n=shape(testData)  
    different=0      #result1中与benchmark不同的label个数，初始化为0  
    for i in xrange(m):  
        if result1[i]!=resultGiven[0,i]:  
            different+=1  
    print different