第三章 模型搭建和评估
经过前面的探索性数据分析我们可以很清楚的了解到数据集的情况，那么我们就要使用数据了，我们做数据分析的目的也就是，运用我们的数据以及结合我的业务来得到某些我们需要知道的结果。那么分析的第一步就是建模，搭建一个预测模型或者其他模型；我们从这个模型的到结果之后，我们要分析我的模型是不是足够的可靠，那我就需要评估这个模型。
我们拥有的泰坦尼克号的数据集，那么我们这次的目的就是，完成泰坦尼克号存活预测这个任务。
开始之前需要对数据集的特征进行一些相关的处理；
导入相关模块：
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from IPython.display import Image #展示图片 from IPython.core.interactiveshell import InteractiveShell InteractiveShell.ast_node_interactivity=‘all‘ %matplotlib inline 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
特征工程
任务一：缺失值填充
对分类变量缺失值：填充某个缺失值字符(NA)、用最多类别的进行填充
对连续变量缺失值：填充均值、中位数、众数
1 # 对分类变量进行填充 2 train[‘Cabin‘] = train[‘Cabin‘].fillna(‘NA‘) 3 train[‘Embarked‘] = train[‘Embarked‘].fillna(‘S‘)
1 # 对连续变量进行填充 2 train[‘Age‘] = train[‘Age‘].fillna(train[‘Age‘].mean())
# 检查缺失值比例 train.isnull().sum().sort_values(ascending=False)
任务三：编码分类变量
1 # 取出所有的输入特征 2 data = train[[‘Pclass‘,‘Sex‘,‘Age‘,‘SibSp‘,‘Parch‘,‘Fare‘, ‘Embarked‘]] 3 data = pd.get_dummies(data)
参考官方文档：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.get_dummies.html
get_dummies 是利用pandas实现one hot encode的方式,
one-hot的基本思想：将离散型特征的每一种取值都看成一种状态，若你的这一特征中有N个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。
模型搭建
- 处理完前面的数据我们就得到建模数据，下一步是选择合适模型
- 在进行模型选择之前我们需要先知道数据集最终是进行监督学习还是无监督学习
- 模型的选择一方面是通过我们的任务来决定的。
- 除了根据我们任务来选择模型外，还可以根据数据样本量以及特征的稀疏性来决定
- 刚开始我们总是先尝试使用一个基本的模型来作为其baseline，进而再训练其他模型做对比，最终选择泛化能力或性能比较好的模型
任务一：切割训练集和测试集
这里使用留出法划分数据集，
- 将数据集分为自变量和因变量
- 按比例切割训练集和测试集(一般测试集的比例有30%、25%、20%、15%和10%)
- 使用分层抽样
- 设置随机种子以便结果能复现
思考：数据集划分有哪些方法
对于数据集的划分，我们通常要保证满足以下两个条件：
-
训练集和测试集的分布要与样本真实分布一致，即训练集和测试集都要保证是从样本真实分布中独立同分布采样而得；
-
训练集和测试集要互斥
对于数据集的划分有三种方法：留出法，交叉验证法和自助法
留出法 是直接将数据集 D 划分为两个互斥的集合，其中一个集合作为训练集 S，另一个作为测试集 T；
k 折交叉验证：通常将数据集 D 分为 k 份，其中的 k-1 份作为训练集，剩余的那一份作为测试集，这样就可以获得 k 组训练/测试集，可以进行 k 次训练与测试，最终返回的是 k 个测试结果的均值。
自助法：我们每次从数据集D中取一个样本作为训练集中的元素，然后把该样本放回，重复该行为 m 次，这样我们就可以得到大小为m的训练集，在这里面有的样本重复出现，有的样本则没有出现过，我们把那些没有出现过的样本作为测试集。
此外使用分层抽样是为了保证数据分布的一致性。
任务提示1
- 切割数据集是为了后续能评估模型泛化能力
- sklearn中切割数据集的方法为
train_test_split - 查看函数文档可以在jupyter noteboo里面使用
train_test_split?后回车即可看到 - 分层和随机种子在参数里寻找
#写入代码 from sklearn.model_selection import train_test_split # 在机器学习中，该函数可按照用户设定的比例，随机将样本集合划分为训练集 和测试集，并返回划分好的训练集和测试集数据。 # 一般先取出X和y后再切割，有些情况会使用到未切割的，这时候X和y就可以用,x是清洗好的数据，y是我们要预测的存活数据‘Survived‘ 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) # 查看数据形状 X_train.shape, X_test.shape
【思考】
- 什么情况下切割数据集的时候不用进行随机选取
数据集是时序类型的，需要按照时间顺序来排列
任务二：模型创建
- 创建基于线性模型的分类模型（逻辑回归）
- 创建基于树的分类模型（决策树、随机森林）
- 分别使用这些模型进行训练，分别的到训练集和测试集的得分
- 查看模型的参数，并更改参数值，观察模型变化
提示
- 逻辑回归不是回归模型而是分类模型，不要与
LinearRegression混淆 - 随机森林其实是决策树集成为了降低决策树过拟合的情况
- 线性模型所在的模块为
sklearn.linear_model - 树模型所在的模块为
sklearn.ensemble
1 #写入代码 2 3 from sklearn.linear_model import LogisticRegression 4 from sklearn.ensemble import RandomForestClassifier
1 #写入代码 2 # 默认参数逻辑回归模型 3 lr = LogisticRegression() 4 lr.fit(X_train, y_train)
#写入代码 # 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)))
# 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)))
通过上面的一系列分析，我们知道如何运用sklearn这个库来完成建模，以及我们知道了的数据集的划分等等操作。那么一个模型我们怎么知道它好不好用呢？以至于我们能不能放心的使用模型给我的结果呢？
模型搭建和评估-评估
- 模型评估是为了知道模型的泛化能力。
- 交叉验证（cross-validation）是一种评估泛化性能的统计学方法，它比单次划分训练集和测试集的方法更加稳定、全面。
- 在交叉验证中，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。
- 准确率（precision）度量的是被预测为正例的样本中有多少是真正的正例
- 召回率（recall）度量的是正类样本中有多少被预测为正类
- f-分数是准确率与召回率的调和平均
任务一：交叉验证
- 用10折交叉验证来评估之前的逻辑回归模型
- 计算交叉验证精度的平均值
- 交叉验证在sklearn中的模块为
sklearn.model_selection
from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100) scores = cross_val_score(lr, X_train, y_train, cv=10) scores
# 平均交叉验证分数 print("Average cross-validation score: {:.2f}".format(scores.mean()))
思考4
k折越多的情况下会带来什么样的影响？
对于k折交叉验证，k越大不一定越好，选择大的k会加大评估时间。
任务二：混淆矩阵
- 计算二分类问题的混淆矩阵
- 计算精确率、召回率以及f-分数
【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运算到什么任务中的
混淆矩阵是一个 2 维方阵，它主要用于评估二分类问题（例如：预测患或未患心脏病、股票涨或跌等这种只有两类情况的问题）的好坏。
FN：False Negative,被判定为负样本，但事实上是正样本。
?FP：False Positive,被判定为正样本，但事实上是负样本。
?TN：True Negative,被判定为负样本，事实上也是负样本。
?TP：True Positive,被判定为正样本，事实上也是正样本。
提示5
- 混淆矩阵的方法在sklearn中的
sklearn.metrics模块 - 混淆矩阵需要输入真实标签和预测标签
- 精确率、召回率以及f-分数可使用
classification_report模块
from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report # 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) # 精确率、召回率以及f1-score print(classification_report(y_train, pred))
任务三：ROC曲线
- 绘制ROC曲线
ROC曲线的横坐标为假阳性率（False Positive Rate，FPR）；纵坐标为真阳性率（True Positive Rate，TPR）。
提示6
- 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)