1.4　Python有监督学习实践

如前所述，有监督学习算法通过映射输入和输出来学习近似一个函数，从而创建一个模型，该模型能够就未见过的输入预测未来的输出。

通常将输入表示为x，输出表示为y。两者都可以是数字或类别。

我们可以据此将有监督学习分为两种不同的类型：

·分类

·回归

分类是一种输出变量可以假设为有限数量的元素（称为类别）的任务。例如根据给定的萼片长度（输入）对不同类型的花朵（输出）进行分类。分类可以进一步分为更多子类型：

·二元分类：预测实例是属于一个类还是另一个类的任务

·多类分类：为每个实例预测其最可能的标签（类）的任务（也称为多项分类）

·多标签分类：可以为每个输入分配多个标签的任务

回归是一种输出变量是连续的任务。以下是一些常见的回归算法：

·线性回归：找到输入和输出之间的线性关系

·逻辑回归：确定二元输出的概率

通常，可以通过以下步骤以标准方式解决有监督学习问题：

1）进行数据清理，以确保我们使用的数据尽可能准确且可描述。

2）执行特征工程，包括从现有特征中创建新特征以改善算法的性能。

3）将输入数据变换成算法可以理解的东西，这称为数据变换。某些算法（例如神经网络）不能很好地处理未按比例缩放的数据，因为它们自然地会更重视数量级较大的输入。

4）为问题选择一个（或几个）合适的模型。

5）选择一个合适的指标来衡量算法的有效性。

6）使用称为训练集的可用数据子集训练模型。在此训练集上校准数据变换。

7）测试模型。

数据清理

数据清理是确保我们最终能够产生良好结果的基本过程。它是任务特定的，在清理音频、图像、文本或时间序列数据时都将有所不同。

我们需要确保没有数据缺失，如果数据缺失，我们可以决定如何处理它。在数据缺失的情况下（例如，某个实例缺失一些变量），可以用该变量的平均值填充它们，或者用输入范围之外的值填充它（例如，如果变量介于0和1之间，填充-1），或者如果我们有大量的数据，则忽略该实例。

另外，最好检查一下数据是否符合我们测量的值的限制。例如，摄氏温度不能低于273.15℃，如果低于了273.15℃，我们马上就知道该数据点不可靠。

其他检查包括格式、数据类型和数据集中的方差。

我们可以直接从scikit-learn下载一些清理好的数据。里面有许多用于各种任务的数据集。例如，如果要加载一些图像数据，可以使用以下Python代码：

该数据被称作Labeled Faces in the Wild（LFW），一个用于人脸识别的数据集。