【机器学习】模型训练前夜—数据集预处理（概念+图+实战）

本文代码推荐使用Jupyter notebook跑，这样得到的结果更为直观。

缺失数据处理：

# 显示数据的缺失值
import pandas as pd
from io import StringIO

csv_data = '''A,B,C,D
1.0,2.0,3.0,4.0
5.0,6.0,,8.0
10.0,11.0,12.0,''':
# csv_data = unicode(csv_data)
df = pd.read_csv(StringIO(csv_data))
print（df）

# 显示每列的缺失值数量
df.isnull().sum()

删除存在缺失值的特征或者样本：

# 删除数据集中包含缺失值的行
df.dropna()

# 删除数据集中至少包含一个NAN的列，axis=1。
df.dropna(axis=1)

# 只在所有列都为NaN的地方删除行。
df.dropna(how='all')  

# 删除没有至少4个非nan值的行。
df.dropna(thresh=4)

# 只有当NaN出现在特定列(这里:“C”)时，才会删除行。
df.dropna(subset=['C'])

插值技术：处理数据缺失

最常用的插值技术：均值插补，使用相应的特征均值来替换缺失值。

from sklearn.preprocessing import Imputer

imr = Imputer(missing_values='NaN', strategy='mean', axis=0)
imr = imr.fit(df)
imputed_data = imr.transform(df.values)
print(df.values)

print(imputed_data)

Imputer类的fit方法：对数据集中的参数进行识别并构建相应的数据补齐模型

Imputer类的transform方法：使用刚构建的数据补齐模型对数据集中相应参数的缺失值进行补齐。

数据补齐需要保持维度相同。

处理类别数据：

类别数据分为：标称特征、有序特征

标称特征：不具备排序的特性

有序特征：特征为有序的或可排序的

例子：

import pandas as pd
df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'price', 'classlabel']
print(df)

有序特征的映射：

类别字符串转整数：

size_mapping = {
           'XL': 3,
           'L': 2,
           'M': 1}

df['size'] = df['size'].map(size_mapping)
print(df)

类标编码：

类标不是有序的

特定的字符串类标，赋予的具体整数值不重要，一般以枚举的方式从0开始设定类标。

import numpy as np
class_mapping = {label:idx for idx,label in enumerate(np.unique(df['classlabel']))}
class_mapping

# 使用映射字典将类标转为整数
df['classlabel'] = df['classlabel'].map(class_mapping)
print(df)

# 将字典键值对倒置，还原为原始数据
inv_class_mapping = {v: k for k, v in class_mapping.items()}
df['classlabel'] = df['classlabel'].map(inv_class_mapping)
print(df)

# 使用SKlearn的LabelEncoder类可以快捷的操作整数编码
from sklearn.preprocessing import LabelEncoder

class_le = LabelEncoder()
y = class_le.fit_transform(df['classlabel'].values)
print (y)
class_le.inverse_transform(y)

标称特征上的独热编码

独热编码技术：创建一个新的虚拟特征，虚拟特征的每一列各代表标称标称数据的一个值。

# 使用OneHotEncoder类实现
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder(categorical_features=[0])
ohe.fit_transform(X).toarray()

# 使用pandas的get_dummies实现
pd.get_dummies(df[['price', 'color', 'size']])

将数据集划分为训练集和测试数据集：

使用pandas，在线从UCI机器学习样本数据库读取开源葡萄酒数据集。

df_wine = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data', header=None)

df_wine.columns = ['Class label', 'Alcohol', 'Malic acid', 'Ash', 
'Alcalinity of ash', 'Magnesium', 'Total phenols', 
'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins', 
'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']

print('Class labels', np.unique(df_wine['Class label']))
df_wine.head()

# 使用SKlearn下的model_selection模块中的train_test_split函数
from sklearmodel_selection import train_test_split
X, y = df_wine.iloc[:, 1:].values, df_wine.iloc[:, 0].values

X_train, X_test, y_train, y_test = \
        train_test_split(X, y, test_size=0.3, random_state=0)

将数组中1-13个特征赋值给X，第一列的类标赋值给变量y。

随机将X和y各自划分为训练集合测试集，

test_size=0.3表示将30%的样本划分到X_test 和y_test，剩余的划分给X_train和y_train。

划分训练集和测试集要尽量保留有价值的信息。

一般的数据量的数据集划分法为：60/40,70/30,80/20

大数据量的数据集划分为：90/10,99/1

将特征值缩放到相同的区间：

特征缩放：数据预处理过程中至关重要的一步，为其保证模型的性能最佳。

将不同的特征缩放到相同的区间：归一化、标准化

归一化：将特征值缩放到[0,1]区间，最小到最大缩放的特例。

x为特定样本，x min和x max分别为某特征列的最小值和最大值

案例：

from sklearn.preprocessing import MinMaxScaler
mms = MinMaxScaler()
X_train_norm = mms.fit_transform(X_train)
X_test_norm = mms.transform(X_test)

标准化：将特征列的均值设为0，方差为1，使得特征列的值呈标准正态分布，易于权重更新。保持了异常值所蕴含的有用信息，使得算法受到这些值影响最小。

σ和μ分别为某个特征列的均值和标准差。

案例：

from sklearn.preprocessing import StandardScaler
stdsc = StandardScaler()
X_train_std = stdsc.fit_transform(X_train)
X_test_std = stdsc.transform(X_test)

选择有意义的特征值

过拟合（高方差）：

 模型在训练集是的表现比测试集上好很多，过拟合于训练数据。

       模型参数对于训练集的特定观测值拟合得非常接近

产生的原因：建立给定训练集上的模型过于复杂

 

常用降低泛化误差的方案：

 1、       收集更多的训练数据

 2、       正则化引入罚项

 3、       选择相对较少的简单模型

 4、       降低数据的维度

使用L1正则化满足数据稀疏化：

L1降低模型复杂度

将权重的平方和用绝对值和来代替

L1正则化可以生成稀疏的特征向量，且大多数权值为0。

 

通过正则化参数来增加正则化的强度，使得权值向0收缩，降低模型对训练集的依赖程度

L2的罚项是二次的

SKlearn实现L1正则化代码：

from sklearn.linear_model import LogisticRegression

lr = LogisticRegression(penalty='l1', C=0.1)
lr.fit(X_train_std, y_train)
print('Training accuracy:', lr.score(X_train_std, y_train))
print('Test accuracy:', lr.score(X_test_std, y_test))

# 训练和测试的精确度表示未出现过拟合

# 获得截距项

lr.intercept_
lr.coef_

# 绘制正则化效果图
import matplotlib.pyplot as plt
%matplotlib inline

fig = plt.figure()
ax = plt.subplot(111)
    
colors = ['blue', 'green', 'red', 'cyan', 
         'magenta', 'yellow', 'black', 
          'pink', 'lightgreen', 'lightblue', 
          'gray', 'indigo', 'orange']

weights, params = [], []
for c in np.arange(-4, 6):
    lr = LogisticRegression(penalty='l1', C=10**c, random_state=0)
    lr.fit(X_train_std, y_train)
    weights.append(lr.coef_[1])
    params.append(10**c)

weights = np.array(weights)

for column, color in zip(range(weights.shape[1]), colors):
    plt.plot(params, weights[:, column],
             label=df_wine.columns[column+1],
             color=color)
plt.axhline(0, color='black', linestyle='--', linewidth=3)
plt.xlim([10**(-5), 10**5])
plt.ylabel('weight coefficient')
plt.xlabel('C')
plt.xscale('log')
plt.legend(loc='upper left')
ax.legend(loc='upper center', 
          bbox_to_anchor=(1.38, 1.03),
          ncol=1, fancybox=True)
# plt.savefig('./figures/l1_path.png', dpi=300)
plt.show()

C是正则化参数的倒数。

序列特征选择算法

降低模型复杂度从而解决过拟合的方法是通过特征选择进行降维

对未经正则化处理的模型特别有效

降维技术主要分为：特征降维，特征提取

 

序列特征选择算法是一种贪婪算法，将原始的d维特征空间压缩到一个k维的特征子空间。

 

经典的序列特征选择算法：序列后向选择算法（SBS）

目的：在分类性能衰减最小的约束下，降低原始特征空间上的数据维度，提高计算效率。

SBS可以在模型面临过拟合问题时提高模型的预测能力。

 

SBS算法理念：SBS依次从特征集合中删除某些特征，直到新的子特征包含指定数量的特征

为了确定每一步所需删除的特征，需要定义一个最小化的标准衡量函数。

函数准则：比较判定分类器的性能在删除某个特定特征前后的差异

由此可知，每一步待删除的特征，就是那些能够使得函数尽可能大的特征。

 

算法步骤：

 1、       设k=d进行算法初始化，d是特征空间Xd的维度

 2、       定义x为满足标准x=argmax(Xk-x)最大化特征

 3、       将特征x从特征集中删除：X(k-1)=Xk-x,k=k-1

 4、       如果k等于目标特征数量，算法终止，否则跳到2步。

python实现SBS算法：

from sklearn.base import clone
from itertools import combinations
import numpy as np
from sklearn.cross_validation import train_test_split
from sklearn.metrics import accuracy_score

class SBS():
    def __init__(self, estimator, k_features, scoring=accuracy_score,
                 test_size=0.25, random_state=1):
        self.scoring = scoring
        self.estimator = clone(estimator)
        self.k_features = k_features
        self.test_size = test_size
        self.random_state = random_state

    def fit(self, X, y):
        
        X_train, X_test, y_train, y_test = \
                train_test_split(X, y, test_size=self.test_size, 
                                 random_state=self.random_state)

        dim = X_train.shape[1]
        self.indices_ = tuple(range(dim))
        self.subsets_ = [self.indices_]
        score = self._calc_score(X_train, y_train, 
                                 X_test, y_test, self.indices_)
        self.scores_ = [score]

        while dim > self.k_features:
            scores = []
            subsets = []

            for p in combinations(self.indices_, r=dim-1):
                score = self._calc_score(X_train, y_train, 
                                         X_test, y_test, p)
                scores.append(score)
                subsets.append(p)

            best = np.argmax(scores)
            self.indices_ = subsets[best]
            self.subsets_.append(self.indices_)
            dim -= 1

            self.scores_.append(scores[best])
        self.k_score_ = self.scores_[-1]

        return self

    def transform(self, X):
        return X[:, self.indices_]

    def _calc_score(self, X_train, y_train, X_test, y_test, indices):
        self.estimator.fit(X_train[:, indices], y_train)
        y_pred = self.estimator.predict(X_test[:, indices])
        score = self.scoring(y_test, y_pred)
        return score

实现SBS应用于SKlearn中KNN分类器：

%matplotlib inline
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt

knn = KNeighborsClassifier(n_neighbors=2)

# selecting features
sbs = SBS(knn, k_features=1)
sbs.fit(X_train_std, y_train)

# plotting performance of feature subsets
k_feat = [len(k) for k in sbs.subsets_]

plt.plot(k_feat, sbs.scores_, marker='o')
plt.ylim([0.7, 1.1])
plt.ylabel('Accuracy')
plt.xlabel('Number of features')
plt.grid()
plt.tight_layout()
# plt.savefig('./sbs.png', dpi=300)
plt.show()

查看算法正确率达到100%的特征：

k5 = list(sbs.subsets_[8])
print(df_wine.columns[1:][k5])

验证KNN分类器在原始测试集上的表现：

knn.fit(X_train_std, y_train)
print('Training accuracy:', knn.score(X_train_std, y_train))
print('Test accuracy:', knn.score(X_test_std, y_test))

在选定的5个特征集看KNN性能：

knn.fit(X_train_std[:, k5], y_train)
print('Training accuracy:', knn.score(X_train_std[:, k5], y_train))
print('Test accuracy:', knn.score(X_test_std[:, k5], y_test))

当特征数量不及葡萄酒数据集原始数据特征数量一半时，测试集上的预测准确率提高。

SKlearn里有许多特征选择算法：基于特征权重的递归后向消除算法、基于特征重要性的特征选择树方法、单变量统计方法。

通过随机森林判定特征的重要性：

from sklearn.ensemble import RandomForestClassifier

feat_labels = df_wine.columns[1:]

forest = RandomForestClassifier(n_estimators=10000,
                                random_state=0,
                                n_jobs=-1)

forest.fit(X_train, y_train)
importances = forest.feature_importances_

indices = np.argsort(importances)[::-1]

for f in range(X_train.shape[1]):
    print("%2d) %-*s %f" % (f + 1, 30, 
                            feat_labels[f], 
                            importances[indices[f]]))

plt.title('Feature Importances')
plt.bar(range(X_train.shape[1]), 
        importances[indices],
        color='lightblue', 
        align='center')

plt.xticks(range(X_train.shape[1]), 
           feat_labels, rotation=90)
plt.xlim([-1, X_train.shape[1]])
plt.tight_layout()
# plt.savefig('./figures/random_forest.png', dpi=300)
plt.show()