二、数据分析
译者:飞龙
这本笔记本讲解了一些,我们可能想要使用数据科学方法做的事情的最小例子。
特别是,为了以下目的,它简要介绍了数据分析:
- 预测:分析可用数据,以便能够对未来数据进行预测
- 分类:以有意义的方式对数据进行分组
- 知识发现:寻求发现数据及其所代表现象的新知识
这些示例将开始使用 python 数据科学工具包中的包,以及一些简单的算法来说明示例案例。
这里的目标是,在代码中看到,数据科学有兴趣做的事情的概况。
这些工具和算法将在未来的笔记本中得到更全面的描述和正确介绍。
%matplotlib inline
# 为一些简单示例导入 matplotlib 和 numpy
import matplotlib.pyplot as plt
import numpy as np
预测
预测是使用当前(训练)数据来预测未来的观测。
示例问题
让我们假设我们想从狗的长度预测体重。
也许,例如,使用卷尺比将狗放到秤上更容易,所以如果我们可以从它们的长度推断它们的重量,我们可以节省很多时间。
# 我们以一些数据开始
lengths = [75, 50, 90, 115] # 单位 cm
weights = [17.5, 10, 18, 20] # 单位 kg
# 绘制数据:始终展示你的数据
f, ax = plt.subplots()
ax.plot(lengths, weights , '.')
plt.xlabel('Length (cm)'); plt.xlim([30, 125]);
plt.ylabel('Weight (kg)'); plt.ylim([5, 25]);
# Polyfit (degree=1) 会将直线拟合到数据,形式为 y = ax + b
# 一旦我们将这个简单模型拟合到数据
# 我们就可以使用它来对新数据点做预测
a, b = np.polyfit(lengths, weights, 1)
# 所以现在我们可以预测一个新观测(一只新的狗)的重量
new_length = 62
pred_weight = a * new_length + b
print('Predicted weight for a new data point, weight is', pred_weight)
# Predicted weight for a new data point, weight is 13.3460674157
# 我们可以检查我们的预测如何与我们观察到的数据相符
ax.plot(new_length, pred_weight, '.r')
f
# 如果我们碰巧知道测试数据的真实重量
# 我们可以检查我们的预测有多好
actual_weight = 14.7
error = actual_weight - pred_weight
print('The (absolute) error of our prediction is', str(error), 'kg\'s.')
# The (absolute) error of our prediction is 1.35393258427 kg's.
我们如何进行预测将变得更加复杂,因为我们处理大量杂乱的数据以及各种“形状”的更多变量。
从根本上说,它归结为同一个过程:我们可以从一组数据中学到什么,这样,给定一个新的数据,我们可以对它进行预测(并使用答案已知的测试数据,来评估我们的预测模型有多好)。
分类
分类(或聚类)是尝试发现数据的系统组织的过程。
问题
我们当地的动物学家正在调查一群松鼠。
她想知道总体中有多少种不同的物种,但只有基本数据可供使用。
我们可以尝试对我们拥有的数据进行聚类,并寻找(看起来像是)有意义的分组。
# 我们观察到一堆松鼠的“身高(cm),体重(g)”对
dat = np.array([[10., 600.], [16., 1200], [6., 800], [12., 700.], [17., 1400.],
[8., 500.], [20., 1500.], [21., 1300.], [11., 800.], [18., 1100.]])
# 展示数据!
f, ax = plt.subplots()
ax.plot(dat[:, 0], dat[:, 1], '.')
plt.xlabel('Height (cm)'); plt.xlim([0, 25]);
plt.ylabel('Weight (kg)'); plt.ylim([300, 1700]);
# 让我们尝试一个聚类算法
# 如果你对 KMeans 不熟悉,我们将在稍后回顾它的工作原理
from sklearn.cluster import KMeans
kmeans = KMeans(2).fit(dat)
# 这为我们提供了每个数据点的标签,以及它所属的簇
kmeans.labels_
# array([0, 1, 0, 0, 1, 0, 1, 1, 0, 1], dtype=int32)
# 我们可以使用它们将我们的数据集拆分为假定的分组
cl_1 = dat[kmeans.labels_ == 0]
cl_2 = dat[kmeans.labels_ == 1]
# 并可视化分类
f, ax = plt.subplots()
ax.plot(cl_1[:, 0], cl_1[:, 1], '.b')
ax.plot(cl_2[:, 0], cl_2[:, 1], '.r')
plt.xlabel('Height (cm)'); plt.xlim([0, 25]);
plt.ylabel('Weight (kg)'); plt.ylim([300, 1700]);
评估分类,特别是在这样的无监督的情况下(当我们不知道答案时)是非常重要的。很难知道这里是否真的有两个组 - 或者更多或更少。我们将回到这些分析如何实际运作,以及如何评估你从中获得的结果。
知识发现
知识发现是从数据中学习世界的新事物的尝试。
知识发现不一定在方法上与预测和分类不同,因为寻求新知识可能包括侧重于分类和预测的分析。