雷鋒網(wǎng)按：本文為雷鋒字幕組編譯的技術(shù)博客，原標(biāo)題Some Essential Hacks and Tricks for Machine Learning with Python，作者為T(mén)irthajyoti Sarkar。

翻譯 | 趙朋飛 Noodlesslee 整理 | 凡江

我們Pick了一些用Python進(jìn)行機(jī)器學(xué)習(xí)實(shí)踐的基本技巧。

我是一名計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)的學(xué)生。我怎么才能入門(mén)機(jī)器學(xué)習(xí)/深度學(xué)習(xí)/人工智能？

入門(mén)機(jī)器學(xué)習(xí)從來(lái)不是一件簡(jiǎn)單的事。除了成熟的MOOC，網(wǎng)絡(luò)上還有海量的免費(fèi)資源，這里列舉了一些曾經(jīng)對(duì)我有幫助的資源：

1. 從YouTube上的一些精彩的視頻開(kāi)始入門(mén)。讀一些優(yōu)秀的教材或文章。例如，你讀過(guò)《 終極算法： 機(jī)器學(xué)習(xí)和人工智能如何重塑世界 》嗎？并且我敢保證，你會(huì)深深的愛(ài)上這本書(shū)里有關(guān)機(jī)器學(xué)習(xí)的精彩頁(yè)面。
2. 首先要明確區(qū)分相關(guān)術(shù)語(yǔ)——機(jī)器學(xué)習(xí)、人工智能、深度學(xué)習(xí)、數(shù)據(jù)科學(xué)、計(jì)算機(jī)視覺(jué)、機(jī)器人。閱讀或聆聽(tīng)專(zhuān)家的講座。觀看Brandon Rohrer的精彩視頻，他是一位很有影響力的數(shù)據(jù)科學(xué)家， 這些視頻清晰的講述了數(shù)據(jù)科學(xué)相關(guān)概念的定義和區(qū)別。
3. 清楚知道自己學(xué)習(xí)想要達(dá)到的目標(biāo)。然后，學(xué)習(xí)Coursera的課程，或者一些來(lái)自華盛頓大學(xué)的課程，也是不錯(cuò)的選擇。
4. 關(guān)注一些優(yōu)秀的博客: KDnuggets，Mark Meloon的博客，是關(guān)于數(shù)據(jù)科學(xué)的，Brandon Rohrer的博客，Open AI的博客，主要是關(guān)于他們的研究的。
5. 如果你對(duì)在線(xiàn)mooc課程充滿(mǎn)熱情，不妨看看這篇文章的指導(dǎo)。
6. 最重要的是，培養(yǎng)一種感覺(jué)。加入一些好的社交論壇， 但是要抵制住誘惑，不要去關(guān)注那些聳人聽(tīng)聞的標(biāo)題和新聞內(nèi)容。 做你自己的閱讀，了解它是什么，它不是什么，它可能去哪里，它會(huì)有什么樣的可能性。 然后坐下來(lái)思考如何將機(jī)器學(xué)習(xí)或者將數(shù)據(jù)科學(xué)原理應(yīng)用到日常工作中。 建立一個(gè)簡(jiǎn)單的回歸模型來(lái)預(yù)測(cè)下一頓午餐的成本，或者從電力公司那里下載你的用電數(shù)據(jù)，然后在Excel中做一個(gè)簡(jiǎn)單的時(shí)間序列圖來(lái)發(fā)現(xiàn)一些用電規(guī)律。 在您完全沉迷于機(jī)器學(xué)習(xí)之后，可以看看這個(gè)視頻。

對(duì)于機(jī)器學(xué)習(xí)/人工智能，Python是一款優(yōu)秀的語(yǔ)言嗎？

除非你是一個(gè)研究復(fù)雜算法的純理論證明的博士研究員，否則你將主要使用現(xiàn)有的機(jī)器學(xué)習(xí)算法，并將它們應(yīng)用于解決新問(wèn)題。這就需要你懂得如何編程。

關(guān)于“最優(yōu)秀的數(shù)據(jù)科學(xué)語(yǔ)言”有很多爭(zhēng)論。當(dāng)爭(zhēng)論激烈的時(shí)候，停下來(lái)讀讀這篇有見(jiàn)地的文章，了解你的想法，看看你的選擇。或者，看看 KDnuggets 的文章。目前，大家普遍認(rèn)為，從開(kāi)發(fā)到部署及維護(hù)，Python可以幫助開(kāi)發(fā)人員更有效率。與 Java、C 和 C++ 相比，Python 的語(yǔ)法更簡(jiǎn)單，更高級(jí)。 它擁有充滿(mǎn)活力的社區(qū)，開(kāi)源文化，數(shù)以百計(jì)高質(zhì)量的機(jī)器學(xué)習(xí)程序庫(kù)，以及來(lái)自行業(yè)巨頭的鼎力支持（例如：谷歌，Dropbox，Airbnb 等）。這篇文章會(huì)關(guān)注PythonIt應(yīng)用于機(jī)器學(xué)習(xí)上的相關(guān)基本技巧。

需要了解及掌握的基礎(chǔ)程序庫(kù)

為使機(jī)器學(xué)習(xí)實(shí)踐效率更高，你需要掌握一些 Python 核心庫(kù)。這些庫(kù)簡(jiǎn)單介紹如下。

Numpy

Numerical Python 的縮寫(xiě)，NumPy 是采用 Python 進(jìn)行科學(xué)計(jì)算和數(shù)據(jù)分析所必須的基本程序庫(kù)。幾乎所有的高級(jí)工具都是基于 Numpy 構(gòu)建的，例如 Pandas 和 scikit-learn。 TensorFlow 使用 Numpy數(shù)組作為基礎(chǔ)構(gòu)件模塊，基于此，為深度學(xué)習(xí)任務(wù)構(gòu)建了 Tensor 對(duì)象和 graphflow 。很多 Numpy 操作都是用 C 實(shí)現(xiàn)的，這使它運(yùn)行更快。對(duì)數(shù)據(jù)科學(xué)和現(xiàn)代機(jī)器學(xué)習(xí)任務(wù)來(lái)說(shuō)，這是一個(gè)寶貴的優(yōu)勢(shì)。

Pandas

這是 Python 科學(xué)計(jì)算領(lǐng)域進(jìn)行通用數(shù)據(jù)分析方面最流行的庫(kù)。Pandas 基于 Numpy 數(shù)組構(gòu)建，因此保留了計(jì)算速度快的特性，并且提供了很多數(shù)據(jù)工程領(lǐng)域的功能，包括：

• 可以讀/寫(xiě)多種不同的數(shù)據(jù)格式；
• 選擇數(shù)據(jù)子集；
• 跨行列計(jì)算；
• 查找并填充缺失的數(shù)據(jù)；
• 將操作應(yīng)用到數(shù)據(jù)中的獨(dú)立組 ；
• 將數(shù)據(jù)重組成不同的形式；
• 合并多個(gè)數(shù)據(jù)集；
• 高級(jí)的時(shí)序功能；
• 通過(guò) Matplotlib 和 Seaborn 實(shí)現(xiàn)可視化；

Matplotlib 與 Seaborn

數(shù)據(jù)可視化和善于用數(shù)據(jù)表達(dá)是每一位數(shù)據(jù)科學(xué)家應(yīng)有的基本技能，這些技能可以有效傳達(dá)從分析中獲得的信息。這對(duì)于掌握并精通機(jī)器學(xué)習(xí)是非常重要的，在你的機(jī)器學(xué)習(xí)工作流（ML Pipeline）中也是如此。在決定應(yīng)用特定的ML算法之前，您需要對(duì)數(shù)據(jù)集進(jìn)行探索性分析。

Matplotlib 是應(yīng)用最廣泛的2維可視化庫(kù)，它擁有令人眼花繚亂的數(shù)組命令和接口，能夠從數(shù)據(jù)生成高質(zhì)量的圖表。這里有一個(gè)非常詳細(xì)和內(nèi)容豐富的文章，可以幫你入門(mén) Matplotlib 。

Seaborn 是另一個(gè)非常棒的專(zhuān)注于統(tǒng)計(jì)繪圖的可視化庫(kù)。機(jī)器學(xué)習(xí)從業(yè)者是值得學(xué)習(xí)的。在 Matplotlib 基礎(chǔ)之上，Seaborn 提供 API (具備繪圖樣式和顏色默認(rèn)的靈活選擇)，針對(duì)常見(jiàn)的統(tǒng)計(jì)繪圖類(lèi)型它定義簡(jiǎn)單的高級(jí)函數(shù)，針對(duì) Pandas 庫(kù)可以無(wú)縫對(duì)接。這里有一份適合初學(xué)者的很棒的 Seaborn 教程。

Seaborn plots的例子

Scikit-learn

Scikit-learn 是必備的最重要的常見(jiàn) Python 的機(jī)器學(xué)習(xí)包。它支持多種分類(lèi)、回歸和聚類(lèi)算法，包括支持向量機(jī)、隨機(jī)森林、梯度提升、k-means 和 DBSCAN 。Scikit-learn 可與 NumPy 庫(kù) SciPy 庫(kù)交互操作。它通過(guò)一致界面提供一系列的監(jiān)督和非監(jiān)督算法。Scikit-learn 庫(kù)致力于實(shí)現(xiàn)一定程度的健壯性和支持生產(chǎn)實(shí)踐中的使用。這意味著要深入關(guān)注例如易于使用，代碼質(zhì)量，協(xié)作，文檔和性能等問(wèn)題。可以看看這篇關(guān)于Scikit-learn使用的機(jī)器學(xué)習(xí)詞匯的簡(jiǎn)單介紹。這里是另一篇文章，演示了使用 Scikit-learn 的簡(jiǎn)單機(jī)器學(xué)習(xí)管道方法。這里有另一篇使用Scikit-learn演示簡(jiǎn)單的機(jī)器學(xué)習(xí)方法的文章。

Scikit-learn背后的閃光點(diǎn)

針對(duì)機(jī)器學(xué)習(xí)初學(xué)者和經(jīng)驗(yàn)豐富的專(zhuān)業(yè)人士，Scikit-learn 是非常容易上手的包。然而，即使是非常有經(jīng)驗(yàn)的ML從業(yè)人員也可能沒(méi)有意識(shí)到這個(gè)包背后所有的的閃光點(diǎn)，它們可以顯著提升效率。我試圖展示scikit-learn中少為人知的方法/接口。

管道：它可以將多個(gè) estimators 封裝成一個(gè)。處理數(shù)據(jù)過(guò)程中通常有一系列固定步驟所以它非常有用，例如特征選擇、規(guī)范化和分類(lèi)。這里有份教程供深入了解。

網(wǎng)格搜索：超參數(shù)不是在estimators直接學(xué)習(xí)到的參數(shù)。在 scikit-learn 中它們作為參數(shù)傳遞給估計(jì)類(lèi)的構(gòu)造函數(shù)。搜索超參數(shù)空間以便獲得最好交叉驗(yàn)證分?jǐn)?shù)是可行且被推薦的做法。當(dāng)構(gòu)建 estimators 時(shí)待估的任何參數(shù)都可以用這種方式優(yōu)化。點(diǎn)擊這里閱讀更多信息。

驗(yàn)證曲線(xiàn)：每個(gè) estimator 都有其優(yōu)缺點(diǎn)。泛化誤差可依據(jù)偏差，方差和噪音分解。estimators 的偏差是不同訓(xùn)練集的平均誤差。estimators 的方差表示其對(duì)改變訓(xùn)練集有多敏感。噪音是數(shù)據(jù)的一個(gè)屬性。繪制單個(gè)超參數(shù)在訓(xùn)練集和驗(yàn)證集的分?jǐn)?shù)，以確定某些超參數(shù)估計(jì)量是過(guò)擬合還是欠擬合的做法是非常有用的。Scikit-learn 內(nèi)置方法請(qǐng)移步于此。

分類(lèi)數(shù)據(jù)的獨(dú)熱編碼：它是一種非常常見(jiàn)的數(shù)據(jù)預(yù)處理任務(wù)，用于將輸入的分類(lèi)特征轉(zhuǎn)換為分類(lèi)或預(yù)測(cè)任務(wù)中使用的二進(jìn)制編碼（例如：摻有數(shù)指和文本特征的邏輯回歸）。Scikit-learn 提供強(qiáng)大而簡(jiǎn)單的方法實(shí)現(xiàn)上述過(guò)程。它直接在 Pandas 數(shù)據(jù)框或 Numpy 數(shù)組上操作，因此便于用戶(hù)為這些轉(zhuǎn)換編寫(xiě)任何特殊的 map/apply 函數(shù)。

多項(xiàng)式特征生成：對(duì)于不盡其數(shù)的回歸建模任務(wù)，在輸入數(shù)據(jù)中考慮非線(xiàn)性特征來(lái)增加模型的復(fù)雜性是有用的。一個(gè)簡(jiǎn)單且常用的方法是使用多項(xiàng)式特征，可得到特征的高階和交互項(xiàng)。Scikit-learn有現(xiàn)成的函數(shù)，可根據(jù)給定的特征集和用戶(hù)選擇的最高多項(xiàng)式的程度生成高階的交叉項(xiàng)。

數(shù)據(jù)集生成器：Scikit-learn包含各種隨機(jī)樣本生成器，可用于構(gòu)建給定大小和復(fù)雜度的人工數(shù)據(jù)集。它具有分類(lèi)，聚類(lèi)，回歸，矩陣分解和多種測(cè)試的函數(shù)。

實(shí)踐交互式機(jī)器學(xué)習(xí)

在2014年 Jupyter 項(xiàng)目于脫胎于 IPython 項(xiàng)目，并迅速演變?yōu)橹С炙兄髁骶幊陶Z(yǔ)言的交互式數(shù)據(jù)科學(xué)和科學(xué)計(jì)算的筆記本。毫無(wú)疑問(wèn)，它在幫助數(shù)據(jù)科學(xué)家快速測(cè)試，為他/她的想法創(chuàng)建原型，展示成果給同行和開(kāi)源社區(qū)等方面帶來(lái)巨大影響。

然而，只有當(dāng)用戶(hù)能夠交互式地控制模型參數(shù)并實(shí)時(shí)看到效果(幾乎)的時(shí)侯，學(xué)習(xí)和測(cè)試數(shù)據(jù)才變得真正浸潤(rùn)其中。Jupyter 中大多數(shù)呈現(xiàn)都是靜態(tài)的

但是你需要更多控制，你想通過(guò)簡(jiǎn)單的滑動(dòng)鼠標(biāo)而不是通過(guò)編寫(xiě) for 循環(huán)改變變量。該怎么辦？你可以使用 IPython 的插件。

插件是重要的 python 組件，它通過(guò)瀏覽器有所體現(xiàn)，通常作為一個(gè)前端 (HTML/Java) 呈現(xiàn)通道控件，如滑塊、文本框等。

本文我演示使用簡(jiǎn)單插件完成基礎(chǔ)的曲線(xiàn)擬合練習(xí)。后續(xù)文章將進(jìn)一步擴(kuò)展到交互式及其學(xué)習(xí)技術(shù)領(lǐng)域。

深度學(xué)習(xí)框架

本文介紹使用 Python 探索機(jī)器學(xué)習(xí)奇妙世界的重要技巧。但它不包括 TensorFlow，Keras 或 PyTorch等深度學(xué)習(xí)框架，因?yàn)樗鼈兠恳粋€(gè)都需要深入討論。您可以在這里閱讀一些關(guān)于上述主題的非常棒的文章，但稍后我們可能會(huì)對(duì)這些驚艷的框架進(jìn)行專(zhuān)門(mén)討論。

• 7 great articles on TensorFlow (Datascience Central)
• Datacamp tutorial on neural nets and Keras example
• AnalyticsVidhya tutorial on PyTorch

總結(jié)

文章不可能覆蓋機(jī)器學(xué)習(xí)主題的全部?jī)?nèi)容（即使是一小部分）。但是，希望這篇文章能激發(fā)你的興趣，也為你提供 Python 生態(tài)系統(tǒng)中已存在一些強(qiáng)大框架的明確指針，確保開(kāi)始你的機(jī)器學(xué)習(xí)之旅。

博客原址 https://heartbeat./some-essential-hacks-and-tricks-for-machine-learning-with-python-5478bc6593f2

雷鋒網(wǎng)雷鋒網(wǎng)