Python算法练习（十二）// 算法：SVM vs Adaboost vs 逻辑回归，数据集：澳大利亚weather

一、练习目标：
1、数据清洗及预处理，掌握分类特征及标签的编码方法，包括OrdinalEncoder、OneHotEncoder、LabelEncoder。
2、通过练习，重点掌握SVC算法、Adaboost算法的调参，重点掌握提高召回率的调参办法。
3、比较不同算法建立分类模型的运行时间、准确率、召回率、ROC值。

二、重要结论：
1、存在严重缺失值问题。（特征工程多么重要！！本次练习重点在算法理解，故暴力处理，直接删除有缺失值样本）
2、存在不太明显的异常值问题。（Rainfall当作分类特征处理）（直接删除有异常值的样本）
3、存在特征量纲差异问题，对13个连续型特征进行标准化处理。
4、对5万多条样本量与120个特征的数据集建模，不同算法的表现如下：

**（1）运行效率排名**
 - SVM(SVC)算法 （3-18分钟）< Adaboost算法 < 逻辑回归算法。
 - SVM(SVC)算法中，比较基于四个核函数建模的运行时间，取linear时最长，取rbf时最短。
**（2）追求最高准确率**
 - Adaboost算法表现最差，SVM(SVC)算法与逻辑回归算法表现相当
 - SVM(SVC)算法中，linear与rbf表现相当
**（3）追求最高召回率**
 - SVM(SVC)算法 与 逻辑回归算法 表现相当，逻辑回归算法略好。

5、不论哪个算法，若追求最高召回率，同时明显牺牲了准确率。
6、综合来看&#x