Hands-on data analysis学习分享：数据建模与评估

---

本文是学习开源项目‘hands-on data analysis’之后的总结。平台使用jupyter notebook

---

项目链接：https://github.com/datawhalechina/hands-on-data-analysis

数据集下载：https://www.kaggle.com/c/titanic/overview

---

前言

经过前面的两章的知识点的学习，我可以对数数据的本身进行处理，比如数据本身的增删查补，还可以做必要的清洗工作。那么下面我们就要开始使用我们前面处理好的数据了。这一章我们要做的就是使用数据，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；我们从这个模型得到结果之后，要分析模型是不是足够的可靠，那就需要评估这个模型。

---

# 导入相关库
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from IPython.display import Image   # IPython.display.Image用于插入图片

# 设置静态输出图片
%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

# 读取训练数集，并查看其形状
train = pd.read_csv('train.csv')
train.shape

'''
[out] (891, 12)
'''

# 查看数据
train.head()

一、 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

# 对分类变量进行填充
train['Cabin'] = train['Cabin'].fillna('NA')
train['Embarked'] = train['Embarked'].fillna('S')
train

# 对连续变量进行填充
train['Age'] = train['Age'].fillna(train['Age'].mean())
train

# 检查是否还存在缺失值
train.isnull().sum().sort_values(ascending=False)

[out]
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

任务二：编码分类变量

# 取出所有的输入特征
data = train[['Pclass','Sex','Age','SibSp','Parch','Fare', 'Embarked']]
data

# 进行虚拟变量转换
data = pd.get_dummies(data)
data.head()

二、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
• 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

sklearn的算法选择路径，供参考

【思考】数据集哪些差异会导致模型在拟合数据时发生变化

【思考回答】

• 训练集、测试集的样本划分是否均衡，
• 是否存在某类样本集中在某个数据集上的情况；
• 数据是否具有代表性；
• 数据之间是否存在联系，比如时间上的先后顺序；
• 机器学习的一个重要假设是数据独立同分布；
• 数据量是否足够；

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%)
• 按目标变量分层进行等比切割，即用分层抽样
• 设置随机种子以便结果能复现

【思考】为什么要划分数据集？
【思考回答】

• 用于检验模型的拟合程度、泛化能力及稳定性
• 一般而言，训练集表现好但测试集表现不好的模型存在过拟合风险，训练集的效果明显差于测试集则模型有欠拟合风险
• 过拟合：模型学习的过于细致； 欠拟合：模型学习的过于粗糙

【思考】划分数据集的方法有哪些？
【思考回答】留出法、交叉验证法、自助法

【思考】为什么使用分层抽样，这样的好处有什么？
【思考回答】

• 可以保证抽样后各数据集的样本比例相同，从而避免因样本分布差异而导致的偏差。
• 使用分层抽样后，如果模型在不同数据集上效果差异大，可以更有把握是因为拟合问题，而非数据问题

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

【思考】什么情况下切割数据集的时不用进行随机选取
【思考回答】 数据集本身已经是随机处理之后的，或者说数据集非常大

# 用sklearn.model_selection中的train_test_split进行分层抽样
from sklearn.model_selection import train_test_split

# 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 = data                  # DataFrame，x是清洗好的数据
y = train['Survived']     # Series，y是要预测的存活数据'Survived'

# 随机种子为0，为保证每次运行结果一样
# 对数据集进行切割，分为训练集和测试集；按照y进行分层抽样
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

[out]
((668, 10), (223, 10))

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，分别得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2

• 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

# 导入线性模型中的逻辑回归模块
from sklearn.linear_model import LogisticRegression

# 导入树模型中的随机森林分类模块
from sklearn.ensemble import RandomForestClassifier

创建基于线性模型的分类模型（逻辑回归）

# 默认参数的逻辑回归模型
lr = LogisticRegression() # 出现警告lbfgs无法收敛failed to converge，要求增加迭代次数
lr.fit(X_train, y_train)

# 调整参数最大迭代次数max_iter 重新创建模型，警告消除
lr = LogisticRegression(max_iter=1000)   # 实例化建立评估模型对象
lr.fit(X_train, y_train)                 # 用训练集数据对模型进行训练

'''[out] LogisticRegression(max_iter=1000)'''


# 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)))
# lr.score()返回给定测试数据和标签的平均精度

'''[out] 
Training set score: 0.80
Testing set score: 0.79
'''

# 调整参数后的逻辑回归模型
lr2 = LogisticRegression(max_iter=1000, C=100)
lr2.fit(X_train, y_train)

'''[out] LogisticRegression(C=100, max_iter=1000)'''


print("Training set score: {:.2f}".format(lr2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr2.score(X_test, y_test)))

'''[out] 
Training set score: 0.80
Testing set score: 0.79
'''

创建基于树的分类模型（决策树、随机森林）

# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)

'''[out] RandomForestClassifier()'''


print("Training set score: {:.2f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc.score(X_test, y_test)))

'''[out] 
Training set score: 0.99
Testing set score: 0.81
'''


# 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)

'''[out] RandomForestClassifier(max_depth=5)'''


print("Training set score: {:.2f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc2.score(X_test, y_test)))

'''[out] 
Training set score: 0.85
Testing set score: 0.82
'''

【思考2】

• 为什么线性模型可以进行分类任务，背后是怎么的数学关系
  具体请参考：https://blog.csdn.net/miaochangq/article/details/108057295
• 对于多分类问题，线性模型是怎么进行分类的

任务三：输出模型预测结果

• 输出模型预测分类标签
• 输出不通分类标签的预测概率

提示3

• 一般监督模型在sklearn里面有个predict能输出预测标签，predict_proba则可以输出标签概率

# 预测标签, 输出逻辑回归的预测结果
pred = lr.predict(X_train)
# 此时我们可以看到0和1的数组，因为Survived只有0,1两个分类
pred[:10]

'''[out] array([0, 1, 1, 1, 0, 0, 1, 0, 1, 1], dtype=int64)'''


# 预测标签概率，第一列为预测为0的概率
pred_proba = lr.predict_proba(X_train)
pred_proba[:10]

'''[out] 
array([[0.59945261, 0.40054739],
       [0.12766889, 0.87233111],
       [0.4665502 , 0.5334498 ],
       [0.18597117, 0.81402883],
       [0.86654726, 0.13345274],
       [0.91125416, 0.08874584],
       [0.11967178, 0.88032822],
       [0.91004319, 0.08995681],
       [0.04896763, 0.95103237],
       [0.13249191, 0.86750809]])
'''


# 输出随机森林的预测结果
rfc2.predict(X_train)[:10]

'''[out] array([0, 1, 0, 1, 0, 0, 1, 0, 1, 1], dtype=int64)'''

#逻辑回归与随机森林预测相同率
sum(rfc2.predict(X_train)==pred)/len(rfc2.predict(X_train)==pred)

'''[out] 0.9221556886227545'''

#随机森林预测概率，第一列为预测为0的概率
rfc.predict_proba(X_train)

'''[out] 
array([[0.84      , 0.16      ],
       [0.        , 1.        ],
       [0.98      , 0.02      ],
       ...,
       [0.85333333, 0.14666667],
       [0.94      , 0.06      ],
       [1.        , 0.        ]])
'''

【思考3】 预测标签的概率对我们有什么帮助
【思考回答】

• 可用来调整正负案例切分点
• 对于某些应用场景，如违约预测，输出的概率可以作为客户是好是坏的概率。

三、模型评估

• 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折交叉验证来评估逻辑回归模型
• 计算交叉验证精度的平均值
  

提示4

• 交叉验证在sklearn中的模块为sklearn.model_selection

# 导入交叉验证模块
from sklearn.model_selection import cross_val_score
lr = LogisticRegression(max_iter=1000, C=100)
# 对逻辑回归进行交叉验证
scores = cross_val_score(lr, X_train, y_train, cv=10)
# k折交叉验证分数
scores

'''[out] 
array([0.8358209 , 0.7761194 , 0.82089552, 0.79104478, 0.85074627,
       0.86567164, 0.73134328, 0.86567164, 0.75757576, 0.71212121])
'''


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

'''[out] Average cross-validation score: 0.80'''


#随机森林进行交叉验证
scores1 = cross_val_score(rfc2, X_train, y_train, cv=10)
scores1

'''[out] 
array([0.85074627, 0.82089552, 0.89552239, 0.7761194 , 0.85074627,
       0.88059701, 0.7761194 , 0.80597015, 0.75757576, 0.77272727])
'''


print("Average cross-validation score1: {:.2f}".format(scores1.mean()))

'''[out] Average cross-validation score1: 0.82'''

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

【错误率、精度、查准率、查全率和F1度量】详细介绍

在分类任务中，模型的预测结果可以分为四类：

• 真正类：True Positive，TP ，正类预测为正类
• 假负类：False Negative ，FN，正类预测为负类
• 假正类：False Positive，FP，负类预测为正类
• 真负类：True Negative，TN，负类预测为负类

上述四类预测结果可以组成如下混淆矩阵：

• nagative class 样本负类Nagative
• positive class 样本正类Positive
• predicted negative 预测负类False
• predicted positive 预测正类True

上述四个指标可以衍生出：准确率、召回率、精确度

• 准确率（Accuracy），表示分类问题中，正确预测的占总体的百分比
• 召回率（Recall），表示正例中有多少能正确预测，也叫查全率
• 精确度（Precision），表示预测为正例中实际是正例的比例
  另外，召回率（Recall）和精确度（Precision） 是一对矛盾的度量，通常精确率高时召回率低，召回率高时精确率低。
  

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

# 导入混淆矩阵模块
from sklearn.metrics import confusion_matrix
# 训练模型
lr = LogisticRegression(max_iter=1000, C=100)
lr.fit(X_train, y_train)

'''[out] LogisticRegression(C=100, max_iter=1000)'''

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

'''[out] 
array([[350,  62],
       [ 71, 185]], dtype=int64)
'''

import seaborn as sns
plt.figure(figsize=(8,6))
sns.heatmap(confusion_matrix(y_train, lr.predict(X_train)),annot=True,cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

# 随机森林混淆矩阵
import seaborn as sns
plt.figure(figsize=(8,6))
sns.heatmap(confusion_matrix(y_train, rfc.predict(X_train)),annot=True,cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

from sklearn.metrics import classification_report
# 逻辑回归精确率、召回率、f1-score
print(classification_report(y_train, pred))

'''[out] 
              precision    recall  f1-score   support

           0       0.83      0.85      0.84       412
           1       0.75      0.72      0.74       256

    accuracy                           0.80       668
   macro avg       0.79      0.79      0.79       668
weighted avg       0.80      0.80      0.80       668
'''


#随机森林精确率、召回率、f1
print(classification_report(y_train, rfc2.predict(X_train)))
'''[out] 
              precision    recall  f1-score   support

           0       0.85      0.92      0.88       412
           1       0.85      0.73      0.79       256

    accuracy                           0.85       668
   macro avg       0.85      0.83      0.84       668
weighted avg       0.85      0.85      0.85       668
'''

任务三：ROC曲线

• 绘制ROC曲线
  ROC曲线的横坐标是假正例率(FPR)，纵坐标是真正例率(TPR)，其中,
  TPR= (TP+FN)/TP =正类的召回率
  FPR= (TN+FP)/FP =1−负类召回率

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

ROC曲线和AUC面积理解

# 导入ROC曲线数据计算函数和AUC计算函数
from sklearn.metrics import roc_curve,roc_auc_score 
# 逻辑回归
fpr, tpr, thresholds = roc_curve(y_test, lr.decision_function(X_test))

auc=roc_auc_score(y_test, lr.decision_function(X_test))

plt.plot(fpr, tpr, label="ROC Curve")

plt.plot([0,1],[0,1],'k--')

plt.xlabel("FPR")
plt.ylabel("TPR (recall)")
plt.title("ROC Curve The AUC ={}".format(round(auc,2)))
# 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)

# 导入ROC曲线数据计算函数和AUC计算函数
from sklearn.metrics import roc_curve,roc_auc_score 
# 随机森林
# 随机森林中没有decision_function函数直接用predict_proba替代，但thresholds无效
fpr, tpr, thresholds = roc_curve(y_test, rfc2.predict_proba(X_test)[:,1])
auc=roc_auc_score(y_test, rfc2.predict_proba(X_test)[:,1])
plt.plot(fpr, tpr, label="ROC Curve")
plt.plot([0,1],[0,1],'k--')
plt.xlabel("FPR")
plt.ylabel("TPR (recall)")
plt.title("ROC Curve The AUC ={}".format(round(auc,2)))
# 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)