【阅读笔记】使用决策树预测泰坦尼克号幸存者实例 - scikit-learn机器学习

---

使用决策树预测泰坦尼克号幸存者实例

代码来自《scikit-learn机器学习：常用算法原理及编程实战》P122

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score

一、数据获取

数据集来自 https://www.kaggle.com/c/titanic
导入训练集和测试集：train.csv、test.csv

二、数据探索

数据质量分析（缺失值、异常值、一致性）

查看训练数据前5行

train.head()

查看数据各列是否有缺失值

train.info()

可以看出age和cabin列有缺失

查看数据整体异常情况

train.describe()

发现Age列不仅有缺失，且最小值为0.42，不符合常规

分析特征
PassengerId：乘客的ID号，这是个顺序编号，用来唯一地标识一名乘客。这个特征与幸存与否无关，我们不使用这个特征
Survived：1表示幸存，0表示遇难。这个是我们的标注数据
Pclass：仓位等级，是很重要的特征。看过电影的读者都知道，高仓位登记的乘客能更快的到达甲板，从而更容易获救
Name：乘客名字，具有可解释性，这个和幸存与否无关，我们会丢弃这个特征
Sex：乘客性别，看过电影的读者都知道，由于救生艇数量不够，船长让妇女和儿童先上救生艇。所以这也是个很重要的特征
Age：乘客年龄，儿童会优先上救生艇，身强力壮者幸存概率也会更高一些
SibSp：兄弟姐妹同在船上的数量
Parch：同船的父辈人员数量
Ticket：乘客票号
Fare：乘客的体热指标
Cabin：乘客所在的船舱号。实际上这个特征和幸存与否有一定关系，比如最早被水淹没的船舱位置，其乘客的幸存概率要低一些。但由于这个特征有大量的丢失数据，而且没有更多的数据来对船舱进行归类，因此我们丢弃这个特征的数据。
Embarked：乘客登船的港口。我们需要把港口数据转换为数值型数据

三、数据预处理

通过数据探索，我们需要对数据进行一些预处理，包括：

1. 提取Surived列的数据作为模型的标注数据
2. 丢弃不需要的特征数据
3. 对数据进行转换，以便模型处理。比如性别数据，我们需要转换为0和1
4. 处理缺失数据，比如年龄这个特征，有很多缺失的数据
5. 处理异常数据，比如年龄，如果出现小数一律向下取整处理

def read_dataset(fname):
    #指定第一列作为行索引
    data = pd.read_csv(fname,index_col=0)
    #丢弃无用的数据
    data.drop(['Name','Ticket','Cabin'],axis=1,inplace=True)
    #处理性别数据
    data['Sex'] = (data['Sex']=='male').astype('int')
    #处理年龄数据
    data['Age'] = np.floor(data['Age'])
    #处理登船港口数据
    labels = data['Embarked'].unique().tolist()
    data['Embarked'] = data['Embarked'].apply(lambda n:labels.index(n))
    #处理缺失数据
    data = data.fillna(0)
    return data

train = read_dataset('../input/titanic/train.csv')

预处理完后，如图

四、数据建模

首先，把Survived列提取出来作为标签，然后在原数据集中将其丢弃。同时把数据集分为训练数据集和交叉验证数据集。

from sklearn.model_selection import train_test_split

y = train['Survived'].values
X = train.drop(['Survived'],axis=1).values

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)
print('train dataset:{0};test dataset:{1}'.format(X_train.shape,X_test.shape))

结果如图
接下来，使用scikit-learn的决策树模型对数据进行拟合

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier()
clf.fit(X_train,y_train)
train_score = clf.score(X_train,y_train)
test_score = clf.score(X_test,y_test)
print('train score:{0};test score:{1}'.format(train_score,test_score))

输出结果
从输出数据中可以看出，针对训练样本评分很高，但针对交叉验证数据集评分比较低，两者差距较大。很明显，这是过拟合的特征。解决决策树过拟合的方法是剪枝，包括前剪枝和后剪枝。不幸的是，scikit-learn不支持后剪枝，但提供一系列的模型参数b进行前剪枝。例如，我们通过max_depth参数限定决策树的深度，当决策树达到限定的深度时，就不再进行分裂了。这样就可以在一定程度熵避免过拟合。

五、优化模型参数

问题来了，难道我们要手动一个个地去试参数，然后找出最优的参数吗？一个最直观的解决办法就是选择一系列参数的值，然后分布计算用指定参数训练出来的模型的评分数据。还可以把两者的关系画出来，直观地看到参数值与模型准确度的关系。
以模型深度max_depth为例，我们先创建一个函数，它使用不同的模型深度训练模型，并计算评分数据

#参数选择 max_depth
def cv_score(d):
	clf = DecisionTreeClassifier()
	clf.fit(X_train,y_train)
	tr_score = clf.score(X_train,y_train)
	cv_score = clf.score(X_test,y_test)
	return (tr_score,cv_score)

接着构造参数范围，在这个范围内分别计算模型评分，并找出评分最高的模型所对应的参数。

depths = range(2,15)
scores = [cv_score(d) for d in depths]
tr_score = [s[0] for s in scores]
cv_score = [s[1] for s in scores]

#找出交叉验证数据集评分最高的索引
best_score_index = np.argmax(cv_scores)
best_score = cv_scores[best_score_index]
best_param = depths[best_score_index]
print('best param:{0};best score:{1}'.format(best_param,best_score))

可以看出，最优参数是11，最优分数是0.8268
我们可以将模型参数和模型评分画出来，直观地观察其变化规律

#将模型参数和模型评分画出来，直观地观察其变化规律
plt.figure(figsize=(6,4),dpi=144)
plt.grid()
plt.xlabel('max depth of decision tree')
plt.ylabel('score')
plt.plot(depths,cv_scores,'.g-',label='cross-validation score')
plt.legend()

同理，参数min_impurity_split也可如此；
但，我们介绍的模型参数优化方法有两个问题。
其一，数据不稳定，每次对数据集划分后，选择出来的模型参数就不是最优的了。
其二，不能一次选择多个参数，例如，我们想要把max_depth和min_samples_leaf两个结合起来的最优参数就没法实现。

对于问题一，我们可以多次计算，求平均值来解决。对于问题二，可以使用scikit-learn的sklearn.model_selection包中的模型选择和评估的工具，例如GridSearchCV。这里不做过多阐述。