algorithm - 在 scikit-learn 中使用什么估算器？

Question

这是我第一次接触机器学习，所以我想弄清楚这一切是如何工作的。我有一个数据集，其中汇总了每个球员的所有统计数据，以便与我的高中棒球队一起比赛。我还有一份名单，上面列出了我高中时进入美国职棒大联盟的所有球员。我想做的是将数据分成训练集和测试集，然后将其提供给 scikit-learn 包中的某种算法并预测制作 MLB 的概率。

因此，我查看了许多资源，发现了建议我从线性 SVC 开始的备忘单。

因此，据我了解，我需要将我的数据分解为训练样本，其中每一行都是一名球员，每一列都是关于球员的一段数据(安打率、上垒率、yada、yada)，X_train ;以及每个球员单行的相应真值矩阵，它只是 1(在 MLB 中打过球)或 0(没有在 MLB 中打过球)，Y_train。从那里开始，我只需执行 Fit(X,Y)，然后我可以使用 predict(X_test) 来查看它是否获得正确的 Y_test 值。

这看起来是算法、方法和应用程序的合乎逻辑的选择吗？

编辑以提供更多信息:数据由出场场数、安打数、本垒打数、三振出局数等20个特征组成，大部分是球员职业生涯的基本统计；一些是击球率，例如安打率。

我总共有大约 10k 行要处理，所以我可以根据它拆分数据；但我不知道如何以最佳方式拆分数据，因为 <1% 已经成为 MLB。

Answer 1

好的，这里有几个可能需要做的步骤:

1. 准备您的数据集。在实践中，您可能想要缩放功能，但我们将不考虑它以使第一个工作模型尽可能简单。因此只需要将数据集拆分为测试/训练集。您可以手动打乱记录并将前 X% 的示例作为训练集，但 scikit-learn 库中已经有一个函数:http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html .您可能想要确保两者:正例和负例都存在于训练和测试集中。为此，您可以在测试/训练拆分之前将它们分开，以确保 70% 的负样本和 70% 的正样本进入训练集。

2. 让我们选择一个简单的分类器。我将在这里使用逻辑回归:http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html ，但其他分类器也有类似的 API。

3. 创建分类器并对其进行训练很容易:

   clf = LogisticRegression()
   clf.fit(X_train, y_train)
   

4. 现在是时候做出我们的第一个预测了:

   y_pred = clf.predict(X_test)
   

5. 模型的一个非常重要的部分是它的评估。这里使用accuracy并不是一个好主意:正例的数量很少，所以无条件返回0的模型可以获得很高的分数。我们可以改用 f1 分数:http://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html .

6. 如果您想预测概率而不是标签，您可以只使用分类器的 predict_proba 方法。

就是这样。我们有一个工作模型!当然，您可以尝试改进很多东西，例如缩放特征、尝试不同的分类器、调整它们的超参数，但这应该足以开始。