加州房价预测项目详细笔记（Regression）——（2）采样（数据分割）＜重要＞

参考内容：

《机器学习实战》原作者github：https://github.com/ageron/handson-ml

加州房价预测项目精细解释https://blog.csdn.net/jiaoyangwm/article/details/81671084

DataFrame.where:

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.where.html

快速学会pandas中Dataframe索引.ix,.iloc,.loc的使用以及区别https://blog.csdn.net/qq1483661204/article/details/77587881

---

为了防止数据窥探偏误（data snooping bias），一般会将机器学习的数据集划分成三个子集：训练集，验证集和测试集。

训练集是用来训练模型的，给模型输入和对应的输出，让模型学习它们之间的关系。

验证集是用来估计模型的训练水平，比如分类器的分类精确度，预测的误差等，我们可以根据验证集的表现来选择最好的模型。

测试集是输入数据在最终得到的模型得到的结果，是训练好的模型在模拟的“新”输入数据上得到的输出。（只能在最后用于测试模型的性能，不能拿来训练。）

常见的划分比例是：50%用于训练，25%用于验证，25%用于测试。（或60%、20%、20%），这个比例可以根据数据集的大小和数据信噪比来改变。 

---

一、纯随机抽样创建测试集

该项目只分成训练集和测试集两个部分，选取20%的数据作为测试集。

（1）简单划分

通过创建split_train_test函数，实现将数据集分成训练集和测试集两个部分的目标：

import numpy as np
def split_train_test(data, test_ratio):
    shuffled_indices = np.random.permutation(len(data))
    test_set_size = int(len(data) * test_ratio)
    test_indices = shuffled_indices[:test_set_size]
    train_indices =shuffled_indices[test_set_size:]
    return data.iloc[train_indices], data.iloc[test_indices]
    
train_set,test_set = split_train_test(housing,0.2)
print(f"{len(train_set)} train + {len(test_set)} test")
# print(len(train_set), "train +", len(test_set), "test")

但是这样简单的划分数据集的话，每运行一次可能会产生不同的训练集和测试集。运行次数多的话，可能整个数据集都被运用，没能起到测试集的作用。

解决方案：

1) 在第一次运行程序后就保存数据集，后面的运行只是加载它；

2）为了保证在下一次获得更新的数据时不会中断，常见的解决方法是每个实例都使用一个标识符（identifier）来决定是否进入测试集;

3）通过Scikit-Learn提供的函数train_test_split的random_state参数，设置一个随机数生成器的种子，从而让它始终生成相同的随机索引。例：random_state = 42；42出自《银河系搭车客指南》的“关于生命、宇宙和一切的终极问题的答案”。

（2）使用标识符（identifier）划分

• 使用行号索引

housing数据集没有标识符列，最简单的是使用行号索引作为ID:

housing_with_id = housing.reset_index() #新增一个“index”列
train_set, test_set = split_tain_test_by_id(housing_with_id, 0.2, "index")

使用这种方法需要确保在数据集的末尾添加新数据，并不会删除任何行。

• 创建稳定的标识符

如果没法保证使用行索引使用要求的话，可以尝试使用一个最稳定的特征来创建唯一标识符（本例选择经纬度）：

housing_with_id["id"] = housing["longitude"] * 100 + housing["latitude"]
train_set, test_set = split_train_test_by_id(housing_with_id, 0.2, "id")

（3）使用Scikit-Learn提供的函数train_test_split

通过Scikit-Learn提供的函数train_test_split的random_state参数，设置一个随机数生成器的种子，从而让它始终生成相同的随机索引。

from sklearn.model_selection import train_test_split
train_set,test_set = train_test_split(housing, test_size = 0.2, random_state = 42)
print(f"{len(train_set)} train + {len(test_set)} test")

纯随机的取样方法在数据集很大的时候（尤其是相较于属性的数量而言），通常是可行的。但是如果数据集不大，可能会导致明显的抽样偏差。

---

二、分层抽样创建测试集

数据少的时候采用分层抽样，从每个分层去取合适数量的实例，能相对保证测试集对总人数具有代表性。

专家建议收入中位数（median_income）是一个非常重要的属性,因此可以以这一属性作为分层抽样的依据。(随机切分会将原本的数据分布破坏掉，比如收入、性别等,保证特性分布是很重要的)

（1）以中位数（median_income）创建一个分类属性

• 观察收入中位数的柱状图

housing["median_income"].hist()
plt.show()

可以看到，收入中位数（median_income）集中在2~5（万美元）附近，超出6（万美元）的数据较少，为了保证分层抽样的每一层有足够的数据，层数不应该分的太多。

• 创建分类属性

import numpy as np
housing["income_cat"] = np.ceil(housing["median_income"] / 1.5)
housing["income_cat"].where(housing["income_cat"] < 5, 5.0, inplace = True)
housing["income_cat"].hist()
plt.show()

这里通过将收入中位数（median_income）除以1.5来限制收入类别的数量，然后使用ceil取整得到离散类别，最后将所有大于5的类别合并成一个类别5。

DataFrame.where()的用法：

DataFrame.where(condition, other, inplace=False, axis=None, level=None, errors='raise', try_cast=<no_default>)

---

inplace = True 的参数解读:

inplace = True：不创建新的对象，直接对原始对象进行修改；
inplace = False：对数据进行修改，创建并返回新的对象承载其修改结果。

默认是False，即创建新的对象进行修改，原对象不变。

 （2）进行分层抽样

from sklearn.model_selection import StratifiedShuffleSplit
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]

housing["income_cat"].value_counts() / len(housing)
#查看住房数根据收入类别的比例分布

DataFrame.loc[]的用法：

DataFrame.loc[] 通过轴标签选择数据

DataFrame.iloc[] 通过整数索引选择数据

---

 n_splits = n的用法:

表示划分为几块（至少是2）   例：n_splits = 1 表示分成两块

---

三、分层抽样与纯随机抽样的抽样偏差比较

def income_cat_proportions(data):
    return data["income_cat"].value_counts() / len(data)

train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)
compare_props = pd.DataFrame({"Overall": income_cat_proportions(housing),
                           "Stratified": income_cat_proportions(strat_test_set),
                           "Random": income_cat_proportions(test_set),}).sort_index()
compare_props["Rand. %error"] = 100 * compare_props["Random"] / compare_props["Overall"] - 100
compare_props["Strat. %error"] = 100 * compare_props["Random"] / compare_props["Overall"] - 100
compare_props

由图中可以看出，分层抽样测试集的收入分类比例与总数据集的几乎相同，而随机采样数据集偏差严重。

---

恢复原始数据

删除income_cat这一属性：

for set in (strat_train_set, strat_test_set):
    set.drop(["income_cat"], axis = 1, inplace = True)

axis=0：在第一维操作
axis=1：在第二维操作
axis=-1：在最后一维操作