本章我们将重点讲解监督学习的实现——分类任务。

分类技术或分类模型会通过观测值推导结论，在分类问题中，模型的输出是离散的类别，比如黑色/白色、教学岗/非教学岗。构建分类模型时，我们需要包含数据点及对应标签的训练数据集。例如，若要判断一张图片是否是汽车，我们需要构建包含“是汽车”和“非汽车”两个类别的训练集，再利用训练样本对模型进行训练。分类模型主要应用于人脸识别、垃圾邮件识别等场景。

Python中构建分类器的步骤

我们将使用Python 3和机器学习工具Scikit-learn构建分类器，具体步骤如下：

步骤1：导入Scikit-learn库

这是构建Python分类器的第一步，首先需要安装并导入Scikit-learn库——它是Python中最优秀的机器学习模块之一，导入命令如下：

import sklearn

步骤2：导入Scikit-learn的数据集

这一步我们开始为机器学习模型准备数据集，本文将使用威斯康星州乳腺癌诊断数据库。该数据集包含乳腺癌肿瘤的各类相关信息，以及肿瘤“恶性”或“良性”的分类标签，共记录了569个肿瘤样本的信息，包含肿瘤半径、纹理、平滑度、面积等30个特征属性。 通过以下命令导入该数据集：

from sklearn.datasets import load_breast_cancer

执行下述命令加载数据集：

data = load_breast_cancer()

该数据集为字典格式，包含以下核心键值：

• 分类标签名（target_names）
• 实际标签值（target）
• 特征属性名（feature_names）
• 特征属性值（data）

我们可以通过下述命令为各类核心信息创建新变量，实现数据的规整化：

label_names = data['target_names']
labels = data['target']
feature_names = data['feature_names']
features = data['data']

为了更直观地理解数据，我们可以打印出类别标签、第一个样本的标签、特征名和第一个样本的特征值，命令如下：

print(label_names)

上述命令的输出结果为肿瘤的两个类别，分别是恶性和良性：

['malignant' 'benign']

执行下述命令可以看到，类别标签被映射为0和1两个二进制值，其中0代表恶性肿瘤，1代表良性肿瘤：

print(labels[0])

输出结果：

0

执行以下两条命令可分别输出特征名和特征值：

print(feature_names[0])

输出结果：

mean radius

print(features[0])

输出结果：

[1.79900000e+01 1.03800000e+01 1.22800000e+02 1.00100000e+03
 1.18400000e-01 2.77600000e-01 3.00100000e-01 1.47100000e-01
 2.41900000e-01 7.87100000e-02 1.09500000e+00 9.05300000e-01
 8.58900000e+00 1.53400000e+02 6.39900000e-03 4.90400000e-02
 5.37300000e-02 1.58700000e-02 3.00300000e-02 6.19300000e-03
 2.53800000e+01 1.73300000e+01 1.84600000e+02 2.01900000e+03
 1.62200000e-01 6.65600000e-01 7.11900000e-01 2.65400000e-01
 4.60100000e-01 1.18900000e-01]

从输出结果可以看出，第一个样本为恶性肿瘤，其平均半径为17.99。

步骤3：划分数据集

这一步我们将数据集划分为训练集和测试集，这一步至关重要，因为我们需要用未见过的测试集验证模型的泛化能力。Scikit-learn提供了train_test_split()函数实现数据集划分，命令如下：

from sklearn.model_selection import train_test_split

执行下述命令完成划分，本文中我们将40%的数据作为测试集，剩余60%作为训练集：

train, test, train_labels, test_labels = train_test_split(features,labels, test_size =0.40, random_state = 42)

步骤4：构建模型

本文将使用朴素贝叶斯算法构建分类模型，相关实现命令如下： 首先导入高斯朴素贝叶斯模块：

from sklearn.naive_bayes import GaussianNB

初始化模型：

gnb = GaussianNB()

通过gnb.fit()函数将模型与训练数据拟合，完成模型训练：

model = gnb.fit(train, train_labels)

步骤5：模型评估与准确率计算

这一步我们将利用测试集对模型进行预测，并计算模型的准确率。通过predict()函数实现预测，命令如下：

preds = gnb.predict(test)
print(preds)

输出结果为一串由0和1组成的数组，分别对应测试集中肿瘤样本的“恶性”和“良性”预测结果：

[1 0 0 1 1 0 0 0 1 1 1 0 1 0 1 0 1 1 1 0 1 1 0 1 1 1 1 1 1 0 1 1 1 1 1 1 0
 1 0 1 1 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 0 0 1 1 0 0 1 1 1 0 0 1 1 0 0 1 0
 1 1 1 1 1 1 0 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 0 0 1 0 0 1 1 1 0 1 1 0
 1 1 0 0 0 1 1 1 0 1 1 0 0 1 0 1 1 0 1 0 0 1 1 0 0 0 1 1 1 0 1 1 1 1 1 1 1
 0 0 1 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 1 1 1 1 1 0 1 0 0 1 1 0 1]

通过对比test_labels（测试集真实标签）和preds（测试集预测标签）两个数组，我们可以计算模型的准确率。本文使用accuracy_score()函数完成该计算，命令如下：

from sklearn.metrics import accuracy_score
print(accuracy_score(test_labels, preds))

输出结果：

0.951754385965

结果表明，该朴素贝叶斯分类器的预测准确率为95.17%。

通过以上五个步骤，我们就完成了Python分类器的构建。