一 .数据拆分
为什么要进行数据的拆分？ 假如我们训练好了一个模型，那么这个模型应该通过什么途径来进行测试呢？我们怎么知道这个模型预测的最终结果是最精准的呢？
这个就需要进行数据的拆分，把原始数据集拆分为训练数据集和测试数据集。
- 训练数据集专门用于训练模型
- 测试数据集专门用于测试模型好坏，然后再不断对模型进行修改
1.我们使用鸢尾花数据集，该数据集是UCI数据库中常用数据集。我们可以直接加载数据集，并尝试对数据进行一定探索：
import numpy as np
from sklearn import datasets
import matplotlib.pyplot as plt
iris = datasets.load_iris()
X = iris.data
Y = iris.target
print(X.shape)
print(Y.shape)
复制代码代码调试：
得到结果：
(150, 4)
(150,)
复制代码2.进行训练数据集、测试数据集的拆分工作（train_test_split）。
一般情况下我们按照0.8:0.2的比例进行拆分，但是有时候我们不能简单地把前n个数据作为训练数据集，后n个作为测试数据集。我们需要将该数据集打散，然后再抽样。
那么为什么需要从这份数据集里面分化训练和测试呢？
重点是保证训练数据集合测试数据集的一致性，一般随机抽取x%来做训练，剩下的测试模型。不过如果数据足够稳定，也有按日期分割的。
那么为什么需要将这份数据集打散呢？
为了防止过拟合 影响模型泛化能力。
为了解决这个问题，我们可以将数据集打乱，做一个shuffle操作。但是本数据集的特征和标签是分开的，也就是说我们分别乱序后，原来的对应关系就不存在了。有两种方法解决这一问题：
- 将X和y合并为同一个矩阵，然后对矩阵进行shuffle，之后再分解
- 对y的索引进行乱序，根据索引确定与X的对应关系，最后再通过乱序的索引进行赋值
第一种方法
# 方法1# 使用concatenate函数进行拼接，因为传入的矩阵必须具有相同的形状。因此需要对label进行reshape操作，reshape(-1,1)表示行数自动计算，1列。axis=1表示纵向拼接。
tempConcat = np.concatenate((X, y.reshape(-1,1)), axis=1)
# 拼接好后，直接进行乱序操作
np.random.shuffle(tempConcat)
# 再将shuffle后的数组使用split方法拆分
shuffle_X,shuffle_y = np.split(tempConcat, [4], axis=1)
# 设置划分的比例
test_ratio = 0.2
test_size = int(len(X) * test_ratio)
X_train = shuffle_X[test_size:]
y_train = shuffle_y[test_size:]
X_test = shuffle_X[:test_size]
y_test = shuffle_y[:test_size]
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)
复制代码
输出结果：
(120, 4)
(30, 4)
(120, 1)
(30, 1)
复制代码第二种方法
# 方法2# 将x长度这么多的数，返回一个新的打乱顺序的数组，注意，数组中的元素不是原来的数据，而是混乱的索引
shuffle_index = np.random.permutation(len(X))
# 指定测试数据的比例
test_ratio = 0.2
test_size = int(len(X) * test_ratio)
test_index = shuffle_index[:test_size]
train_index = shuffle_index[test_size:]
X_train = X[train_index]
X_test = X[test_index]
y_train = y[train_index]
y_test = y[test_index]
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)
复制代码
输出结果：
(120, 4)
(30, 4)
(120,)
(30,)
复制代码3.编写自己的train_test_split
下面我们将编写自己的train_test_split，并封装成方法。
def train_test_split(X,y,test_ratio=0.2,seed=None):
"""将矩阵X和标签y按照test_ration分割成X_train, X_test, y_train, y_test"""
# assert X.shape[0] == y.shape[0] "the size of X must be equal to the size of y"
# assert 0.0 <= test_ratio <= 1.0 "test_train must be valid"
if seed:
np.random.seed(seed)
shuffle_index = np.random.permutation(len(X))
test_size = int(len(X) * test_ratio)
test_index = shuffle_index[:test_size]
train_index = shuffle_index[test_size:]
X_train = X[train_index]
X_test = X[test_index]
y_train = y[train_index]
y_test = y[test_index]
return X_train, X_test, y_train, y_test
X_train, X_test, y_train, y_test = train_test_split(X, y)
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)
复制代码debug下可得：
输出结果：
(120, 4)
(30, 4)
(120,)
(30,)
复制代码4.sklearn中的train_test_split
我们自己写的train_test_split其实也是在模仿sklearn风格，更多的时候我们可以直接调用。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)
复制代码debug可得：
结果为：
(120, 4)
(30, 4)
(120,)
(30,)
复制代码二.分类准确度accuracy
在划分出测试数据集后，我们就可以验证其模型准确率了。在这了引出一个非常简单且常用的概念：accuracy（分类准确度）
accuracy_score：函数计算分类准确率，返回被正确分类的样本比例（default）或者是数量（normalize=False） 在多标签分类问题中，该函数返回子集的准确率，对于一个给定的多标签样本，如果预测得到的标签集合与该样本真正的标签集合严格吻合，则subset accuracy =1.0否则是0.0
因accuracy定义清洗、计算方法简单，因此经常被使用。但是它在某些情况下并不一定是评估模型的最佳工具。精度（查准率）和召回率（查全率）等指标对衡量机器学习的模型性能在某些场合下要比accuracy更好。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=666)
knn_clf = KNeighborsClassifier(n_neighbors=3)
knn_clf.fit(X_train, y_train)
y_predict = knn_clf.predict(X_test)
a=accuracy_score(y_test, y_predict)
print(y_predict)
# 不看y_predict
print(knn_clf.score(X_test,y_test))
复制代码debug结果：
输出结果：
1.0
复制代码三.超参数
3.1.超参数简介
之前我们都是为knn算法传一个默认的k值。在具体使用时应该传递什么值合适呢？
这就涉及了机器学习领域中的一个重要问题：超参数。所谓超参数，就是在机器学习算法模型执行之前需要指定的参数。（调参调的就是超参数） 如kNN算法中的k。
与之相对的概念是模型参数，即算法过程中学习的属于这个模型的参数（kNN中没有模型参数，回归算法有很多模型参数）
如何选择最佳的超参数，这是机器学习中的一个永恒的问题。在实际业务场景中，调参的难度大很多，一般我们会业务领域知识、经验数值、实验搜索等方面获得最佳参数。
3.2 寻找好的k
针对于上一小节的手写数字识别分类代码，尝试寻找最好的k值。逻辑非常简单，就是设定一个初始化的分数，然后循环更新k值，找到最好的score
# 指定最佳值的分数，初始化为0.0；设置最佳值k，初始值为-1
best_score = 0.0
best_k = -1
for k in range(1, 11): # 暂且设定到1～11的范围内
knn_clf = KNeighborsClassifier(n_neighbors=k)
knn_clf.fit(X_train, y_train)
score = knn_clf.score(X_test, y_test)
if score > best_score:
best_k = k
best_score = score
print("best_k = ", best_k)
print("best_score = ", best_score)
复制代码
可以看到，最好的k值是1，在我们设定的k的取值范围中间。需要注意的是，如果我们得到的值正好在边界上，我们需要稍微扩展一下取值范围。因为嘛，你懂的！
3.3 另一个超参数：权重
在回顾kNN算法思想时，我们应该还记得，对于简单的kNN算法，只需要考虑最近的n个数据是什么即可。但是如果我们考虑距离呢？
如果我们认为，距离样本数据点最近的节点，对其影响最大，那么我们使用距离的倒数作为权重。假设距离样本点最近的三个节点分别是红色、蓝色、蓝色，距离分别是1、4、3。那么普通的k近邻算法：蓝色获胜。考虑权重（距离的倒数）：红色：1，蓝色：1/3 + 1/4 = 7/12，红色胜。
在 sklearn.neighbors 的构造函数 KNeighborsClassifier 中有一个参数：weights，默认是uniform即不考虑距离，也可以写distance来考虑距离权重(默认是欧拉距离，如果要是曼哈顿距离，则可以写参数p（明可夫斯基距离的参数），这个也是超参数)
因为有两个超参数，因此使用双重循环，去查找最合适的两个参数，并打印。
# 两种方式进行比较
best_method = ""
best_score = 0.0
best_k = -1
for method in ["uniform","distance"]:
for k in range(1, 11):
knn_clf = KNeighborsClassifier(n_neighbors=k, weights=method, p=2)
knn_clf.fit(X_train, y_train)
score = knn_clf.score(X_test, y_test)
if score > best_score:
best_k = k
best_score = score
best_method = method
print("best_method = ", method)
print("best_k = ", best_k)
print("best_score = ", best_score)
复制代码
3.4超参数网格搜索
在具体的超参数搜索过程中会需要很多问题，超参数过多、超参数之间相互依赖等等。如何一次性地把我们想要得到最好的超参数组合列出来。sklearn中专门封装了一个超参数网格搜索方法Grid Serach。
在进行网格搜索之前，首先需要定义一个搜索的参数param_search。是一个数组，数组中的每个元素是个字典，字典中的是对应的一组网格搜索，每一组网格搜索是这一组网格搜索每个参数的取值范围。键是参数的名称，值是键所对应的参数的列表。
param_search = [
{ "weights":["uniform"], "n_neighbors":[i for i in range(1,11)]
},
{ "weights":["distance"], "n_neighbors":[i for i in range(1,11)], "p":[i for i in range(1,6)]
}
]
复制代码可以看到，当weights = uniform即不使用距离时，我们只搜索超参数k，当weights = distance即使用距离时，需要看超参数p使用那个距离公式。下面创建要进行网格搜索所对应的分类算法并调用刚哥搜索：
knn_clf = KNeighborsClassifier()
# 调用网格搜索方法
from sklearn.model_selection import GridSearchCV
# 定义网格搜索的对象grid_search，其构造函数的第一个参数表示对哪一个分类器进行算法搜索，第二个参数表示网格搜索相应的参数
grid_search = GridSearchCV(knn_clf, param_search)
复制代码下面就是针对X_train, y_train，使用grid_search在param_search列表中寻找最佳超参数组：
print(grid_search.fit(X_train, y_train))
复制代码得到结果：
可以使用网格搜索的评估函数来返回最佳分类起所对应的参数
# 返回的是网格搜索搜索到的最佳的分类器对应的参数
print(grid_search.best_estimator_)
复制代码
也可以查看最佳参数的分类器的准确度。
我们会注意到，best_estimator_和best_score_参数后面有一个_。这是一种常见的语法规范，不是用户传入的参数，而是根据用户传入的规则，自己计算出来的结果，参数名字后面接_
总结
在这篇文章中，我们借助kNN分类算法，学习了如下知识点：
为了验证模型的好坏，将数据集划分为训练数据集和测试数据集，这样我们就可以对测试数据集的进行预测，然后使用label进行验证。
在我们得到了分类结果之后，就可以使用分类正确的数据点比上总的测试数据点，这样就可以计算出accuracy分类精准度。
使用kNN算法对手写数字分类 当然，不同的评价指标有不同的使用场景，不能乱用。
最后我们以kNN算法为例，探究了不同的超参数对模型的影响，使用sklearn中封装好的网格搜索算法，可以帮助我们进行基础调参。
