第七章 scikit-learn与机器学习实战

1 scikit-learn

导航页与算法指南
API：数据预处理Preprocessing and Normalization，特征抽取Feature Extraction，特征选择Feature Selection，各种模型：Generalized linear models (GLM) for regression、Naive Bayes,Support Vector Machines、Decision Trees、Clustering，模型调优与超参数选择：Model Selection，模型融合与增强Ensemble Methods，模型评估Metrics

2 一个项目实战

2.1 项目目标

利用加州普查数据，建立一个加州房价模型。数据包含：每个街区人口、收入中位数、房价中位数等指标。
我们要建一个模型对数据进行学习，根据其他指标预测任何街区的房价中位数。

2.2 划定问题

问老板的第一个问题是：商业目标是什么。
建立模型不是最终目标，公司会如何使用模型，并从模型中如何受益。老板可能会告诉你你的模型输出会传给另外一个系统。
下一个问题是：现有的方案效果如何。
开始设计系统。是监督学习、非监督学习还是强化学习？是分类还是回归？
这是一个监督学习的问题，我们使用的是有标签（房价中位数）的训练样本数据。这是一个回归类问题。要预测的是一个数值。

2.3 选择性能指标

回归类问题一般选择均方根误差（RMSE）作为性能指标。

2.4 核实假设

跟下游沟通确定需要的值是什么：数值还是分类。

2.5 获取数据

• 下载数据

查看数据结构

housing.head()
housing.info()
housing.describe()
housing[“ocean_proximity”].value_counts()
housing.hist(bins=50, figsize=(20,15))

• 查看数据描述

重点看数据量、每个属性的类型和非空值的数量。查看数据是不是被截断了。

• 创建测试集

如果每次都重新采集测试集，效果很不稳定。可以把测试集保存下来，或者设置随机数生成种子，每次产生相同的测试集。
此外还有一点需要注意的是：如果测试集随机抽取数据可能不具有代表性。例如在本例中，测试集有可能涵盖不到高收入群体。我们需要按照原始数据集中收入中位数的分布分层抽样数据。可以使用StratifiedShuffleSplit实现。split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)

# Divide by 1.5 to limit the number of income categories
housing["income_cat"] = np.ceil(housing["median_income"] / 1.5)
# Label those above 5 as 5
housing["income_cat"].where(housing["income_cat"] < 5, 5.0, inplace=True)
from sklearn.model_selection import StratifiedShuffleSplit
# 提供分层抽样功能，确保每个标签对应的样本的比例
split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
for train_index, test_index in split.split(housing, housing["income_cat"]):
    strat_train_set = housing.loc[train_index]
    strat_test_set = housing.loc[test_index]

strat_test_set["income_cat"].value_counts() / len(strat_test_set)
housing["income_cat"].value_counts() / len(housing)
for set_ in (strat_train_set, strat_test_set):
    set_.drop("income_cat", axis=1, inplace=True)

会发现测试集和原数据集中的income_cat分布是一致的。

2.6 数据探索和可视化、发现规律

对要处理的数据，要有整体了解。
首先测试集放在一边，不做了解。训练集如果很大可以在采样一个探索集。
第二，地理数据可视化
第三，查找关联
使用pandas提供的corr_matrix = housing.corr()方法查看关联性。

收入中位数与房价中位数关联度比较高。分析后发现，在500000，480000，350000等一些水平线会有明显的呈一条直线。可能需要去掉这些街区的数据，以防止算法重复这些巧合。

第四，属性组合试验

housing["rooms_per_household"] = housing["total_rooms"]/housing["households"]
housing["bedrooms_per_room"] = housing["total_bedrooms"]/housing["total_rooms"]
housing["population_per_household"]=housing["population"]/housing["households"]

属性组合是打开脑洞的时间。可以尝试每户有几个房间，每个房间有几个卧室，每户人口数。

2.7 为机器学习算法准备数据

1 要写一些函数来做事情
这些函数可以让你重复利用。
2 数据清洗
如果数据数据缺失有三种处理方式：1 去掉数值缺失的那些数据（按行），2 去掉整个属性（按列），3 进行赋值（0，平均值、中位数等等）
3 处理文本和类别属性
处理文本属性：先将文本属性转为数值属性，接着使用one-hot编码：OrdinalEncoder、OneHotEncoder,也可以使用LabelBinarizer一步到位。
4 自定义转换器
继承BaseEstimator, TransformerMixin。

class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
    def __init__(self, add_bedrooms_per_room = True): # no *args or **kargs
        self.add_bedrooms_per_room = add_bedrooms_per_room
    def fit(self, X, y=None):
        return self  # nothing else to do
    def transform(self, X, y=None):
        rooms_per_household = X[:, rooms_ix] / X[:, household_ix]
        population_per_household = X[:, population_ix] / X[:, household_ix]
        if self.add_bedrooms_per_room:
            bedrooms_per_room = X[:, bedrooms_ix] / X[:, rooms_ix]
            return np.c_[X, rooms_per_household, population_per_household,
                         bedrooms_per_room]
        else:
            return np.c_[X, rooms_per_household, population_per_household]

5 特征缩放
通常我们不对目标值进行缩放。这里就是房价中位数，不缩放。
特征缩放针对的是训练集数据，在测试集，以及预测过程中需要做同样的操作。
有两种缩放方式：归一化和标准化。
归一化的操作是:$x=\frac{x-min}{max-min}$，值的范围是(0,1)。但是受异常值影响大。API：MinmaxScaler
标准化的操作是:$x=\frac{x-mean}{方差}$，值没有范围，受异常值影响小。API：StandardScaler。

6 转换流水线

from sklearn.base import BaseEstimator, TransformerMixin

# Create a class to select numerical or categorical columns 
# since Scikit-Learn doesn't handle DataFrames yet
class DataFrameSelector(BaseEstimator, TransformerMixin):
    def __init__(self, attribute_names):
        self.attribute_names = attribute_names
    def fit(self, X, y=None):
        return self
    def transform(self, X):
        return X[self.attribute_names].values

num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

num_pipeline = Pipeline([
        ('selector', DataFrameSelector(num_attribs)),
        ('imputer', Imputer(strategy="median")),
        ('attribs_adder', CombinedAttributesAdder()),
        ('std_scaler', StandardScaler()),
    ])

cat_pipeline = Pipeline([
        ('selector', DataFrameSelector(cat_attribs)),
        ('cat_encoder', OneHotEncoder(sparse=False)),
    ])

from sklearn.pipeline import FeatureUnion

full_pipeline = FeatureUnion(transformer_list=[
        ("num_pipeline", num_pipeline),
        ("cat_pipeline", cat_pipeline),
    ])
housing_prepared = full_pipeline.fit_transform(housing)

2.8 选择并且训练模型

2.9 模型微调

2.10 测试集上测试