第一步:识别问题
首先明确这个问题是分类还是回归,通过问题和数据就可以判断出来,数据由X和label列构成,label可以一列也可以多列,可以是二进制也可以是实数。当它为二进制时,问题属于分类,当它为实数时,问题属于回归。
第二步:分离数据
把数据分离成Training Data和Validation Data来检验这个模型的表现,不然的话,通过各种调节参数,模型可以在训练数据集上面表现的非常出色,但是这可能会是过拟合,过拟合就是太依赖现有的数据了,拟合的效果特别好,但是只适用于训练集,以至于来一个新的数据,就不知道该预测成什么了。所以需要有validation来验证一下,看这个模型是在那里自娱自乐还是真的表现出色。
在scikit learn包里就有工具可以帮你做到这些:
分类问题用StratifiedKFold:
from sklearn.cross_validation import StratifiedKFold
回归问题用KFold:
from sklearn.cross_validation import KFold
第三步:构造特征
这个时候,需要将数据转化成模型需要的形式。数据有三种类型:数字,类别,文字。当数据是类别的形式时,需要将它的每一类提取出来作为单独一列,然后用二进制表示每条记录相应的值。例如:
record 1: 性别 女
record 2: 性别 女
record 3: 性别 男
转化之后就是:
女 男
record 1: 1 0
record 2: 1 0
record 3: 0 1
这个过程sklearn也可以帮你做到:
from sklearn.preprocessing import LabelEncoder
或者
from sklearn.preprocessing import OneHotEncoder
第四步:组合数据
处理完Feature之后,就将它们组合到一起、
如果数据是稠密的,就可以用numpy的hastck:
import numpy as np
X = np.hstack((x1, x2, ...))
如果是稀疏的,就用sparse的hstack:
from scipy import sparse
X = sparse.hstack((x1, x2, ...))
组合之后,就可以应用以下算法模型:
· RandomForestClassifier
· RandomForestRegressor
· ExtraTreesClassifier
· ExtraTreesRegressor
· XGBClassifier
· XGBRegressor
但是不能应用线性模型,线性模型之前需要对数据进行正则化而不是上述预处理。
第五步:分解
这一步是为了进一步优化模型,可以用以下方法:
PCA:Principal components analysis, 主成分分析,是一种分析、简化数据集的技术,用于减少数据集的维数,同时保持数据集中对方差贡献最大的特征。from sklearn.decomposition import PCA
对于文字数据,在转化成稀疏矩阵之后,可以用SVD。from sklearn.decomposition import TruncatedSVD
SVD:Singular Value Decomposition,奇异值分解,是线性代数中一种重要的矩阵分解,它总能找到标准化正交基后方差最大的维度,因此用它进行降维去燥。
第六步:选择特征
当特征个数越多时,分析特征、训练模型所需的时间就越长,容易引起“维度灾难”,模型也会越复杂,推广能力也会下降,所以需要剔除不相关或冗余的特征。
常用的算法有完全搜索,启发式搜索,和随机算法。
例如,RandomForest:
from sklearn.ensemble import RandomForestClassifier
或者xgboost:
import xgboost as xgb
对于稀疏的数据,一个比较有名的方法是chi-2:
from sklearn.feature_selection import SelectKBest
from sklearn.fearure_selection import chi2
第七步:选择算法进行训练
选择完最相关的参数之后,接下来就可以应用算法,常用的算法有:
Classification:
Random Forest
GBM
Logistic Regression
Naive Bayes
Support Vector Machines
k-Nearest Neighbors
Regression
Random Forest
GBM
Linear Regression
Ridge
Lasso
SVR