Chapter 2 End-to-End Machine Learning Project
在这一章，你将会走完一个完整的机器学习项目。主要步骤如下：
- 对所需解决的问题有一个总体的思路
2. 获取数据
3. 通过数据可视化来得到对数据潜在规律的一些思考
4. 在训练模型之前先对数据进行预处理
5. 选择一个合适的模型进行训练
6. 调整并找到最合适的模型参数
7. 长期监督并维护你的学习系统
上一篇写了1和2，这篇来写后面的。（怎么感觉这篇也写不完？？？哈哈哈算了先写着吧）
3. 通过数据可视化来得到对数据潜在规律的一些思考：
上一篇文章我们已经对数据集有了大致的了解，第三步我们要做的是把测试集扔在一边不要管，然后来探索一下训练集的数据潜在逻辑，我们复制一份训练集数据以免破坏原数据：
housing = strat_train_set.copy()我们观察到数据集中包含了一个地理信息（经纬度），让我们可视化来看看：
这样其实还是不好分辨他的分布规律，我们可以设置参数 alpha：
我这里的 alpha 设置的是0.2，原书是0.1，大家可以自己试试别的数值，越接近零，透明度越高；设置了 alpha 以后，分布规律就变得很显然了，颜色深的地方密度更大。
现在我们加入更多的属性来看，设置每个圆点半径表示某地区的人口，圆点颜色表示房价，用一个定义好的colormap（jet）来表示房价的高低：
这一轮探索让我们发现房价跟地理位置以及人口数量的关系。
接下来我们进一步探索属性之间的相关性，可以用 corr() 方法来简单的计算 Pearson 相关系数，然后查看每个属性与房价的相关性：
能看到中值收入（median_income）跟房价的相关性很高。
另一种查看相关性的方法是用 Pandas 库的 scatter_matrix 函数，它会画出每个数值型属性之间的散点图，因为属性太多，我们只选择几个相关度较高的属性来进一步探索：
对角线上如果画出散点图应该是一条直线，就没什么意义，所以 Pandas 就画出该属性的直方图来替代。从上面的散点图来看，很显然是中值收入（median_income）跟房价的相关性最高，所以接下来我们专注于这一个属性来进行探索：
可以看到收入和房价的相关度很高，散点图中点比较聚集，呈现正向趋势；并且房价有一个很明显的上限在 $500000 左右，除此之外，其实我们也能发现在 $450000 和 $350000 的位置也有一条水平线，后来的这两条水平线很有可能是我们想要消除的数据噪音，这一点有待大家深入探索。
在进行数据预处理前我们的最后一步是尝试去组合出新的特征，在这个例子中，我们可能会想要用总房间数（total_rooms）和房屋数（households）组合出每个房屋的房间数量（rooms_per_household），还有类似的每个房间的卧室数量（bedrooms_per_room），每个房屋的人数（population_per_household）等，下面我们来尝试组合出这些特征并查看分析他们与房价的相关性：
看起来还不错，新特征每个房间的卧室数量（bedrooms_per_room）与房价的相关度比房间总数以及卧室总数都要高，呈现的是负相关；每个房屋的房间数量（rooms_per_household）与房价的相关度也明显比组合前要高。
4. 在训练模型之前先对数据进行预处理：
处理之前我们先把训练集的特征和标签（房价）分离开：
housing = strat_train_set.drop("median_house_value", axis=1)
housing_labels = strat_train_set["median_house_value"].copy(）之前我们发现属性 total_bedrooms 有一些空值，我们有三个方法来解决这个问题;一是删除有空值的行，二是删除有空值的列（这里就是删除total_bedrooms这一列），三是给空值填充一些合适的值（例如零值、平均值、中值等）:
housing.dropna(subset=["total_bedrooms"]) #方法一 删除有空值的行
housing.drop("total_bedrooms",axis=1) #方法二 删除有空值的列
median = housing["total_bedrooms"].median()
housing["total_bedrooms"].fillna(median) #方法三 给空值填充一些合适的值如果我们选择第三种方法，要记得把中值保存以便后续给测试集填充。
sklearn 提供了一个类 Imputer 让我们更方便的填充空值：
我们可以看到，我们先是创建了一个类 Imputer，然后用它去 fit 我们的数据集，fit 以后的这个 Imputer 就从数据集中学习到了一些参数，这时候就可以用来 transform 了；这是 sklearn 库的统一的接口设计。
transform 之后我们得到的值是 Numpy 的 array 类型，我们可以转化成 Pandas 的 Dataframe 类型：
housing_tr = pd.DataFrame(X, colums=housing_num.colums)接下来我们来看一下怎么处理文本型或者确定类别型属性。
我们需要先把这些属性转化成数值，sklearn 提供了 LabelEncoder 类：
这个例子中，’<1H OCEAN’ 被编码为0，'INLAND’为1，'ISLAND’为2，'NEAR BAY’为3，‘NEAR OCEAN’为4。
但是用这个方法有个问题，机器学习算法通常认为数值相近表示这两个属性相似，但事实上用以上方法编码并不能表示这一点；sklearn 提供了另一个类 OneHotEncoder 来做二分类解决这个问题，它使用的是独热编码（one-hot encoding），它编码出来的是一个矩阵：
我们得到的是一个稀疏矩阵，每行只有一个1，表示在这个位置的值是存在的，其他都是零表示其他都不存在。例如第一行就表示’<1H OCEAN’为1，‘INLAND’、’‘ISLAND’、‘NEAR BAY’、'NEAR OCEAN’都为0。
sklearn 还提供了一个类可以一步解决上面的两步：
虽然 sklearn 提供了很多转换函数（transformers），但有时我们还是需要自定义我们自己的 transformer，比如之前我们尝试的构造新的属性或者自定义的数据清洗。为了跟 sklearn 其他类或函数无缝结合（可以互相调用），我们自定义的类应该包含三个方法：fit()，transform()，fit_transform()（如果你使用 TransformerMixin 作为基类就可以不用手动定义第三个方法 fit_transform），同时也建议使用 BaseEstimator 作为基类，那你就会获得两个方法（get_params() 和 set_params()），这两个方法能帮助你调节超参数。现在，让我们来自定义一个类组合出新的特征：
这个类即实现了我们之前尝试的三个新组合的特征：每个房屋的房间数量（rooms_per_household），每个房间的卧室数量（bedrooms_per_room），每个房屋的人数（population_per_household）。在这里我们的超参数是是否要添加新特征每个房间的卧室数量（bedrooms_per_room），你还可以设置其他超参数，大家可以自由探索。
接下来是数据预处理里最重要的一步转换：特征缩放（feature scaling）。由于不同特征有不同的尺度，机器学习算法面对这些不同尺度的特征总是不能表现的很好；比如，在本书的房价预测例子中，总房间数尺度为6-39320，而中值收入的尺度为0-15；我们需要使得这些特征尺度一致，才能让我们的算法更好的做预测。
Min-Max 归一化是比较简单的一种，数值被线性的缩放到0-1；sklearn 提供了一个类 MinMaxScaler 实现这个转换，你可以调节超参数 feature_range 实现别的范围（如果你不想要0-1）。
标准化（standardization）可以使得特征值的平均值为零，并且方差为单位方差。标准化不会把值限制在0-1，这有时候可能是个问题（神经网络常常需要0-1的输入值）；但标准化是更稳固的，他不容易受到异常值的影响，所以标准化应用相对广泛些。
最后，我们可以利用 sklearn 提供的 Pipeline 类把之前做的所有的数据预处理过程封装为一个转换流程（原书写的是 transformation pipeline，我也不知道该怎么翻译合适，大家明白就好）。下面给了一个例子，把之前我们提的三个过程封装起来了（用中值填充特征空值，组合出新的特征，标准化特征）：
在这个 pipeline 里，你开始 fit 的时候，他就会按照顺序首先训练第一个 tranformer 并把参数传给下一个，依次进行。
这样你可以一次性处理完所有的数值型特征，但是如果你要同时处理类别型特征呢？sklearn 提供了一个 FeatureUnion 类，它允许你把多个 transformer 或 pipeline 组合起来，调用 transform 的时候所有的 transformer 会同时运行，等结果出来以后再将所有的结果连接起来。下面的例子是把我们之前的数值型的 pipeline 和类别型的编码转换器组合起来：
这篇写完了3和4啦，下篇应该是真的可以写完这一章了。。。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
