建模和评估的基本流程：

零、特征工程

导入数据：

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from IPython.display import Image

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.figsize'] = (10, 6)  # 设置输出图片大小

# 读取训练数集
train = pd.read_csv('train.csv')

在读入数据集后，需要对数据的处理进行某些操作以方便后续的模型建立及训练。

1. 填充缺失值：.fillna()

• 连续变量：平均数、中位数、众数
• 分类变量：NA、最多的类别

# 检查缺失值比例
train.isnull().sum().sort_values(ascending=False)

Embarked       0
Cabin          0
Fare           0
Ticket         0
Parch          0
SibSp          0
Age            0
Sex            0
Name           0
Pclass         0
Survived       0
PassengerId    0
dtype: int64

2. 对分类变量编码：pandas.get_dummies()

例如只有两种可能的类别

# 取出所有的输入特征
data = train[['Pclass','Sex','Age','SibSp','Parch','Fare', 'Embarked']]
# 进行虚拟变量转换
data = pd.get_dummies(data)

一、建立模型

处理数据后就需要建立模型了，在建模之前需选择合适的模型。

• 先确定数据集的种类：监督学习，无监督学习
• 选择依据：任务、数据样本量、特征的稀疏性
• 步骤：先尝试使用一个基本的模型作为其baseline，之后再用其他模型做对比，最后选择泛化能力或性能较好的模型。

1.1 切割训练集和测试集

• 目的：便于后续评估模型的泛化能力
• 切割方法：
  • 按比例切割：一般有30%、25%、15%和10%
  • 按目标变量分层等比切割
  • 设置随机种子复现结果
• sklearn中切割数据的方法： train_test_split()

切割数据集的时候不用进行随机选取的情况：数据集本身已经经过随机处理或样本量足够大。

from sklearn.model_selection import train_test_split

# 一般先取出X和y后再切割，当使用到未切割的时候就可以用X和y
X = data
y = train['Survived']

# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)

# 查看训练集测试集大小
X_train.shape, X_test.shape
# ((668, 10), (223, 10))

1.2 模型创建

模型类别

• 基于线性模型（sklearn.linear_model）的分类模型：逻辑回归（逻辑回归是分类模型，线性回归才是回归模型）
• 基于树（sklearn.ensemble）的分类模型：决策树、随机森林（随机森林是决策树集为了降低决策树过拟合的情况）

证明为什么可以使用线性回归来做二元分类问题：《机器学习笔记-利用线性模型进行分类》

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)
# 查看训练集和测试集score值
print("Training set score: {:.2f}".format(lr.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr.score(X_test, y_test)))
# 调整参数后的逻辑回归模型
lr2 = LogisticRegression(C=100)
lr2.fit(X_train, y_train)
print("Training set score: {:.2f}".format(lr2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr2.score(X_test, y_test)))

测试集上的分数在调参之后提升了。

# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
print("Training set score: {:.2f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc.score(X_test, y_test)))
# 调整参数后的随机森林分类模型
rfc2 = RandomForestClassifier(n_estimators=100, max_depth=5)
rfc2.fit(X_train, y_train)
print("Training set score: {:.2f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc2.score(X_test, y_test)))

1.3 输出模型预测结果

一般监督模型在sklearn里面，predict输出预测标签，predict_proba输出标签概率

# 预测标签
pred = lr.predict(X_train)
# 预测标签概率
pred_proba = lr.predict_proba(X_train)

二、模型评估

• 目的：获得模型的泛化能力
• 方法：交叉验证（cross-validation）
  • 数据被多次划分，并且需要训练多个模型
  • 最常用的交叉验证是 k 折交叉验证（k-fold cross-validation），其中 k 是由用户指定的数字，通常取 5 或 10。
  • 参考 李宏毅《机器学习》Task03 - 误差和梯度下降 中误差的第3节
• 准确率（precision）度量被预测为正例的样本中有多少是真正的正例
• 召回率（recall）度量正类样本中有多少被预测为正类（TP）
• f-分数是准确率与召回率的调和平均

2.1 交叉验证

sklearn中的模块：sklearn.model_selection

from sklearn.model_selection import cross_val_score

# 用10折交叉验证来评估逻辑回归模型
lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)

# k折交叉验证分数
scores

# 平均交叉验证分数
print("Average cross-validation score: {:.2f}".format(scores.mean()))

K折越多，消耗时间增加，但是平均误差被视为泛化误差，结果更可靠。

2.2 混淆矩阵

对于二分类问题常用的评价指标是精确率(precision)和召回率(recall)，评价分类器的指标一般是分类准确率(accuracy)

分类器在测试数据集上的预测或正确或不正确，其有四种情况：

• sklearn中的模块：sklearn.metrics
• 混淆矩阵需要输入真实标签和预测标签

from sklearn.metrics import confusion_matrix

# 训练模型
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)

# 模型预测结果
pred = lr.predict(X_train)
# 混淆矩阵
confusion_matrix(y_train, pred)

from sklearn.metrics import classification_report
# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

2.3 ROC曲线

• ROC曲线在sklearn中的模块为 sklearn.metrics
• ROC曲线下面所包围的面积越大越好

from sklearn.metrics import roc_curve

fpr, tpr, thresholds = roc_curve(y_test, lr.decision_function(X_test))
plt.plot(fpr, tpr, label="ROC Curve")
plt.xlabel("FPR")
plt.ylabel("TPR (recall)")
# 找到最接近于0的阈值
close_zero = np.argmin(np.abs(thresholds))
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10, label="threshold zero", fillstyle="none", c='k', mew=2)
plt.legend(loc=4)