【关于泰坦尼克号数据建模与评估】

切割训练集和测试集

sklearn中切割数据集的方法为train_test_split

from sklearn.model_selection import train_test_split

一般先取出X和y后再切割

# X中数据为清理后的数据，无缺失值，并且没有Survived列
X = data
y = train['Survived']

# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)

模型创建

逻辑回归（线性模型的分类模型）

from sklearn.linear_model import LogisticRegression

# 默认参数逻辑回归模型
lr = LogisticRegression()

# 调整参数的逻辑回归模型
lr2 = LogisticRegression(C=100)
# 训练模型
lr.fit(X_train, y_train)

决策树、随机森林（决策树）

随机森林其实是决策树集成为了降低决策树过拟合的情况

from sklearn.ensemble import RandomForestClassifier

# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()

# 调整参数后的随机森林分类模型
rfc2 = RandomForestClassifier(n_estimators=100, max_depth=5)
# 训练模型
rfc.fit(X_train, y_train)

输出模型预测结果

输出模型预测分类标签：一般监督模型在sklearn里面有个predict能输出预测标签
输出不同分类标签的预测概率：predict_proba可以输出标签概率

# 预测标签
pred = lr.predict(X_train)

# 预测标签概率
pred_proba = lr.predict_proba(X_train)

预测标签的概率:
预测标签的概率能知道模型的准确性。

交叉验证

10折交叉验证来评估之前的逻辑回归模型
from sklearn.model_selection import cross_val_score

lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)

# k折交叉验证分数
scores
k折越多的情况下会带来什么样的影响？
较大的K值的交叉验证结果倾向于更好，也要考虑较大K值的计算开销。

混淆矩阵

计算二分类中的混淆矩阵

from sklearn.metrics import confusion_matrix
# 训练模型
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)

pred = lr.predict(X_train)

# 混淆矩阵
confusion_matrix(y_train, pred)

计算精确率、召回率以及f-分数

from sklearn.metrics import classification_report

# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

ROC曲线

ROC曲线下面所包围的面积越大越好
from sklearn.metrics import roc_curve

fpr, tpr, thresholds = roc_curve(y_test, lr.decision_function(X_test))
plt.plot(fpr, tpr, label="ROC Curve")
plt.xlabel("FPR")
plt.ylabel("TPR (recall)")
# 找到最接近于0的阈值
close_zero = np.argmin(np.abs(thresholds))
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10, label="threshold zero", fillstyle="none", c='k', mew=2)
plt.legend(loc=4)