Python ai演算法

第12屆iT邦幫忙鐵人賽

前言

本系列教學將介紹常見的機器學習演算法，最後再將所學套用在實際案例。例如AI模型的前後串接，以及API伺服器部署技巧。此外每一個演算法中附帶程式教學，大家可以透過手把手實作，不僅能夠了解演算法概念，同時也能了解程式實作技巧。此系列將以影片教學方式呈現，未來也會陸續將此系列內容整理成電子書貢獻給大家，希望這30天的教學中能夠讓大家收穫滿滿！

此系列教學適合誰?

• 了解 Python 程式語言
• 想動手實作AI預測模型
• 對資料分析與預測有興趣
• 想了解AI模型如何成後端整合與部署

系列文章內容規劃

• 認識AI
• 機器學習 (常見演算法介紹)
• 深度學習 (DNN、CNN)
• 模型後端API架設與部署
• 前後端整合概念

開發環境

本系列教學將採用 Google Colab 雲端服務進行 Python 語言的模型訓練，或是可以使用 Anaconda 的 Jupyter Notebook 在本機端執行。網頁前端將使用 Visual Studio Code 當然你也可以用你熟悉的開發環境例如 ： Sublime 、 Atom、Vim。

前置作業資源

以下是我之前撰寫的文章，各位可以參考哦！

Anaconda 介紹及安裝
動手做一個機器學習 API
使用Heroku部署機器學習API

關於作者

現今台灣人工智慧學校AI工程師，熱衷網頁前後端整合發與AI演算法開發。希望藉由鐵人賽，將所學貢獻出來提升臺灣在AI領域的資源。

@andy6804tw

本系列教學簡報 PDF & Code 都可以從我的 GitHub 取得！

• 留言1
• 追蹤
• 檢舉

Chap.O 程式基礎 & 簡介：

Part 1. 常用於演算法的開發程式，有以下幾種：

1-1. Python (免費，套件多，系統整合佳)

1-2. R (免費，套件多，系統整合差)

1-3. Matlab (貴，套件少但功能完整，系統整合佳)

Part 2. Python 能做甚麼？

1. Program development 程式開發
2. Website development, crawler 網站開發、爬蟲
3. Statistics, Mathematics 統計、數學
4. Programming language 程式開發入門語言
5. System Management Script 系統管理腳本
6. Data Science 資料科學（著重分析資料）
7. Data Mining Algorithms 數據挖掘算法（著重分析資料）
8. Deep Learning: Neural Network、CNN/RNN 深度學習：神經網路（著重預測資料）

Part 3. 那麼，AI 又有哪些應用領域呢？

1. Natural Language Understanding 自然語言處理
2. Computer Vision 電腦視覺
3. Speech Understanding 語音辨識
4. Robotic Application 機器人應用
5. Intelligent Agent 智慧型代理人：聊天機器人、AlphaGo...etc.
6. Self driving Car 自駕車
7. 醫療：MRI 影像處理、診斷、新藥開發...etc.
8. 智慧製造、智慧農業、智慧理財...etc.

瞭解上述功能之後，接著進入正題~

Chap.I 理論基礎：

瞭解上述功能與應用後，我們會從基礎數學理論開始說起。其中包括：

Part 1：Linear algebra 線性代數

Part 2：Differential & Integral 微積分

Part 3：Vector 向量

Part 4：Statistics & Probability 統計&機率

Chap.II 深度學習與模型優化：

所有預測模型，都離不開下圖 10 大步驟。此章節會依序解釋每個步驟的應用。

sklearn 簡介-如何選擇一個合適的演算法

深度學習根據情境不同，概略分為三種：

Part 1. Supervised 監督式學習：

資料經過 Lebaling 標籤化，即有正確解答。
此外，依據資料類型不同，監督式學習分為以下兩種：

Classification 分類：

資料集以＂有限的類別＂分布，對於其做歸類，即分類。如：鐵達尼號、紅酒分類...等。
以下會用兩個範例說明：

A.＂鳶尾花＂的分類預測：

import pandas as pd
import numpy as np
from sklearn import datasets     # 引用 Scikit-Learn 中的 套件 datasets

# 1. Data Set
ds = datasets.load_iris()        # dataset: 引用 datasets 中的函數 load_iris
print(ds.DESCR)                  # DESCR: description，描述載入內容

X =pd.DataFrame(ds.data, columns=ds.feature_names)
y = ds.target

# 2. Data clean (missing value check)
print(X.isna().sum())
>>  sepal length (cm)    0
    sepal width (cm)     0
    petal length (cm)    0
    petal width (cm)     0
    dtype: int64

# 3. Feature Engineering
# No need

# 4. Data Split (Training data & Test data)
from sklearn.model_selection import train_test_split    

# test_size=0.2: 測試用資料為 20%
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)

print(X_train.shape, y_train.shape)

>>  (120, 4) (120,)

# 5. Define and train the KNN model
from sklearn.neighbors import KNeighborsClassifier

# n_neighbors=: 超參數 (hyperparameter)
clf = KNeighborsClassifier(n_neighbors = 3)

# 適配 (訓練)，迴歸/分類/降維...皆用 fit()
clf.fit(X_train, y_train)

# algorithm.score: 使用 test 資料 input，並根據結果評分
print(f'score={clf.score(X_test, y_test)}')

>>  score=0.9

# 驗證答案
print(' '.join(y_test.astype(str)))
print(' '.join(clf.predict(X_test).astype(str)))

>>  1 2 0 0 0 2 1 1 1 0 1 2 2 2 0 2 1 1 1 0 1 1 2 2 1 1 0 2 2 2
    1 2 0 0 0 2 1 1 1 0 1 1 2 2 0 2 1 1 1 0 1 1 2 2 1 2 0 2 1 2

# 查看預測的機率
print(clf.predict_proba(X_test.head()))  # 預測每個 x_test 機率

>>  [[0. 1. 0.]
     [0. 0. 1.]
     [1. 0. 0.]
     [1. 0. 0.]
     [1. 0. 0.]]

B.＂乳癌＂的分類預測：

import pandas as pd
import numpy as np
from sklearn import datasets

# 1. Dataset
ds = datasets.load_breast_cancer()
X =pd.DataFrame(ds.data, columns=ds.feature_names)
y = ds.target

# 2. Data clean
# no need

# 3. Feature Engineering
# no need

# 4. Split
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)

# 5. Define and train the KNN model
from sklearn.neighbors import KNeighborsClassifier

clf = KNeighborsClassifier(n_neighbors = 3)

# 適配(訓練)，迴歸/分類/降維...皆用 fit(x_train, y_train)
clf.fit(X_train, y_train)

# algorithm.score: 使用 test 資料 input，並根據結果評分
print(f'score={clf.score(X_test, y_test)}')

>>  score=0.9210526315789473

# 驗證答案
print(' '.join(y_test.astype(str)))
print(' '.join(clf.predict(X_test).astype(str)))

>>  1 1 0 0 0 ... 0
    1 1 0 0 0 ... 0

# 查看預測的機率
print(clf.predict_proba(X_test.head()))

>>  [[0. 1.]
     [0. 1.]
     [1. 0.]
     [1. 0.]
     [1. 0.]]

Regression 迴歸：

資料集以＂連續的方式分布＂，對於其以線性方式描述，即迴歸。如：房價預測、小費預測...等。

此圖為線性迴歸原理

以下會用兩個範例說明：

A.＂世界人口＂的迴歸預測：

# 1. DataSet
year=[1950, 1951, 1952, 1953, 1954, 1955, 1956, 1957, 1958, 1959, 1960, 1961, 1962, 1963, 1964, 1965, 1966, 1967, 1968, 1969, 1970, 1971, 1972, 1973, 1974, 1975, 1976, 1977, 1978, 1979, 1980, 1981, 1982, 1983, 1984, 1985, 1986, 1987, 1988, 1989, 1990, 1991, 1992, 1993, 1994, 1995, 1996, 1997, 1998, 1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023, 2024, 2025, 2026, 2027, 2028, 2029, 2030, 2031, 2032, 2033, 2034, 2035, 2036, 2037, 2038, 2039, 2040, 2041, 2042, 2043, 2044, 2045, 2046, 2047, 2048, 2049, 2050, 2051, 2052, 2053, 2054, 2055, 2056, 2057, 2058, 2059, 2060, 2061, 2062, 2063, 2064, 2065, 2066, 2067, 2068, 2069, 2070, 2071, 2072, 2073, 2074, 2075, 2076, 2077, 2078, 2079, 2080, 2081, 2082, 2083, 2084, 2085, 2086, 2087, 2088, 2089, 2090, 2091, 2092, 2093, 2094, 2095, 2096, 2097, 2098, 2099, 2100]
pop=[2.53, 2.57, 2.62, 2.67, 2.71, 2.76, 2.81, 2.86, 2.92, 2.97, 3.03, 3.08, 3.14, 3.2, 3.26, 3.33, 3.4, 3.47, 3.54, 3.62, 3.69, 3.77, 3.84, 3.92, 4.0, 4.07, 4.15, 4.22, 4.3, 4.37, 4.45, 4.53, 4.61, 4.69, 4.78, 4.86, 4.95, 5.05, 5.14, 5.23, 5.32, 5.41, 5.49, 5.58, 5.66, 5.74, 5.82, 5.9, 5.98, 6.05, 6.13, 6.2, 6.28, 6.36, 6.44, 6.51, 6.59, 6.67, 6.75, 6.83, 6.92, 7.0, 7.08, 7.16, 7.24, 7.32, 7.4, 7.48, 7.56, 7.64, 7.72, 7.79, 7.87, 7.94, 8.01, 8.08, 8.15, 8.22, 8.29, 8.36, 8.42, 8.49, 8.56, 8.62, 8.68, 8.74, 8.8, 8.86, 8.92, 8.98, 9.04, 9.09, 9.15, 9.2, 9.26, 9.31, 9.36, 9.41, 9.46, 9.5, 9.55, 9.6, 9.64, 9.68, 9.73, 9.77, 9.81, 9.85, 9.88, 9.92, 9.96, 9.99, 10.03, 10.06, 10.09, 10.13, 10.16, 10.19, 10.22, 10.25, 10.28, 10.31, 10.33, 10.36, 10.38, 10.41, 10.43, 10.46, 10.48, 10.5, 10.52, 10.55, 10.57, 10.59, 10.61, 10.63, 10.65, 10.66, 10.68, 10.7, 10.72, 10.73, 10.75, 10.77, 10.78, 10.79, 10.81, 10.82, 10.83, 10.84, 10.85]
df = pd.DataFrame({'year' : year, 'pop' : pop})

# 2. 求 1 次項均方誤差 MSE (Mean-Square Error)
in_year = int(input('Please input 1950~2100 to calculation:'))
fit1 = np.polyfit(x, y, 1)

if 2100 >= in_year >= 1950:
    print('The actual pop is:', y[in_year-1950])
    print('Predict pop is:', f'{(np.poly1d(fit1)(in_year)):.2}')
    y1 = fit1[0]*np.array(x) + fit1[1]
    print('MSE is:', f'{((y - y1)**2).mean():.2}')
else:
    print('Wrong year!')

# 3. 作圖
def ppf(x, y, order):
    fit = np.polyfit(x, y, order)      # 線性迴歸，求 y=a + bx^1+ cx^2 ...的參數
    p = np.poly1d(fit)                 # 將 polyfit 迴歸解代入
    t = np.linspace(1950, 2100, 2000)
    plt.plot(x, y, 'ro', t, p(t), 'b--')

plt.figure(figsize=(18, 4))
titles = ['fitting with 1', 'fitting with 3', 'fitting with 50']
for i, o in enumerate([1, 3, 50]):
    plt.subplot(1, 3, i+1)
    ppf(year, pop, o)
    plt.title(titles[i], fontsize=20)
plt.show()

B.＂波士頓房價＂的迴歸預測：

import pandas as pd
import numpy as np
from sklearn import datasets

# 1. Dataset
ds = datasets.load_boston()
X =pd.DataFrame(ds.data, columns=ds.feature_names)
y = ds.target

# 2. Data clean
print(X.isna().sum())

# 3. Feature Engineering

# 4. Split
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)
>> (404, 13) (404,)

# 5. Define and train the LinearRegression model
from sklearn.linear_model import LinearRegression

clf = LinearRegression()

# 適配(訓練)，迴歸/分類/降維...皆用 fit(x_train, y_train)
clf.fit(X_train, y_train)

# algorithm.score: 使用 test 資料 input，並根據結果評分
print(f'score={clf.score(X_test, y_test)}')
>> import pandas as pd
import numpy as np
from sklearn import datasets

# 1. Dataset
ds = datasets.load_boston()
X =pd.DataFrame(ds.data, columns=ds.feature_names)
y = ds.target

# 2. Data clean
print(X.isna().sum())

# 3. Feature Engineering

# 4. Split
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)
>> (404, 13) (404,)

# 5. Define and train the LinearRegression model
from sklearn.linear_model import LinearRegression

clf = LinearRegression()

# 適配(訓練)，迴歸/分類/降維...皆用 fit(x_train, y_train)
clf.fit(X_train, y_train)

# algorithm.score: 使用 test 資料 input，並根據結果評分
print(f'score={clf.score(X_test, y_test)}')

>>  score=0.6008214413101689

# 驗證答案
print(list(y_test))
b = [float(f'{i:.2}') for i in clf.predict(X_test)]
print(b)

>>  [30.3, 8.4, 17.4, 10.2, 12.8, ... 22.5]
    [32.0, 4.6, 22.0, 6.2, 13.0, ... 29.0]

Part 2. Unsupervised 非監督式學習：

部分或者全部資料 Unlebaling 無標籤化，即沒有正確解答。

2-1. Clustering 集群

將特徵相近的點歸類，概念有些類似 Regression，稱為集群。如下圖：

以下為 CLV (Regression) 範例：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

ds = pd.read_csv('CLV.csv')
print(ds.describe().T)

A. 手動分群

分 1~10群，計算誤差平方和 (elbow method) 最少者為優。

# 沒有 y
X=ds.iloc[:,[0,1]].values


from sklearn.cluster import KMeans
wcss = []
for i in range(1,11):      
    km=KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    km.fit(X)
    wcss.append(km.inertia_)
plt.plot(range(1,11),wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('wcss')
plt.show()

可以取用 2 群、4 群 or 10 群。

B. 自動分群

使用 sklearn 內建計算輪廓係數 (Silhoutte Coefficient)

from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeans

for n_cluster in range(2, 11):
    kmeans = KMeans(n_clusters=n_cluster).fit(X)
    label = kmeans.labels_
    sil_coeff = silhouette_score(X, label, metric='euclidean')
    print(f"n_clusters={n_cluster}, Silhouette Coefficient is {sil_coeff:.4}")
    
>>  n_clusters=2, Silhouette Coefficient is 0.4401
    n_clusters=3, Silhouette Coefficient is 0.3596
    n_clusters=4, Silhouette Coefficient is 0.3721
    n_clusters=5, Silhouette Coefficient is 0.3617
    n_clusters=6, Silhouette Coefficient is 0.3632
    n_clusters=7, Silhouette Coefficient is 0.3629
    n_clusters=8, Silhouette Coefficient is 0.3538
    n_clusters=9, Silhouette Coefficient is 0.3441
    n_clusters=10, Silhouette Coefficient is 0.3477

分成 9 群效果最顯著。

若要視覺化分群，可見以下

# Fitting kmeans to the dataset
km4=KMeans(n_clusters=8,init='k-means++', max_iter=300, n_init=10, random_state=0)
y_means = km4.fit_predict(X)

# Visualising the clusters for k=4
plt.scatter(X[y_means==0,0],X[y_means==0,1],s=50, c='purple',label='Cluster1')
plt.scatter(X[y_means==1,0],X[y_means==1,1],s=50, c='blue',label='Cluster2')
plt.scatter(X[y_means==2,0],X[y_means==2,1],s=50, c='green',label='Cluster3')
plt.scatter(X[y_means==3,0],X[y_means==3,1],s=50, c='cyan',label='Cluster4')
plt.scatter(X[y_means==4,0],X[y_means==4,1],s=50, c='yellow',label='Cluster5')
plt.scatter(X[y_means==5,0],X[y_means==5,1],s=50, c='black',label='Cluster6')
plt.scatter(X[y_means==6,0],X[y_means==6,1],s=50, c='brown',label='Cluster7')
plt.scatter(X[y_means==7,0],X[y_means==7,1],s=50, c='red',label='Cluster8')

plt.scatter(km4.cluster_centers_[:,0], km4.cluster_centers_[:,1],s=200,marker='s', c='red', alpha=0.7, label='Centroids')
plt.title('Customer segments')
plt.xlabel('Annual income of customer')
plt.ylabel('Annual spend from customer on site')
plt.legend()
plt.show()

Note: 一般客戶分析會使用 RFM (Recency-Frequency-Monetary) 分析
此為機器學習第三步：Feature Engineering

Part 3. Reinforcement 強化學習：

讓機器學習算法，自動學會對環境做出反應。

結論：

由於是初學，因此會先聚焦在**＂監督式學習＂&＂非監督式學習＂**上。
以上就是程式基礎簡介，下篇將從理論基礎開始介紹。
.
.
.
.
.

Homework 小費的迴歸 (regression)：

請使用 sklearn 內建的 Datasets，依照上述步驟完成以下資料的迴歸or分類：

1. 紅酒分類

提示：ds = datasets.load_wine()

2. 糖尿病迴歸

提示：ds = datasets.load_diabetes()

2. 小費迴歸

提示：ds = datasets.load_tips()
.
.
.
.
.

補充：入門書籍推薦

1. 精通 Python (Bill Lubanovic) + github

2. Python Data Science Handbook (Jake VanderPlas) + github

3. 精通機器學習 使用 Scikit-Learn, Keras 與 TansorFlow

4. DEEP LEARNING (Ian Goodfellow) 非學術，非常難看不要看...