本文基于kaggle入门项目Titanic金牌获得者的Kernel翻译而来
原文链接 https://www.kaggle.com/ldfreeman3/a-data-science-framework-to-achieve-99-accuracy
翻译的比较粗略，大家领会意思就好
5.数学建模
数据科学是数学（即统计学、线性代数等）、计算机科学（即程序设计语言、计算机系统等）和企业管理（即通信、主题知识等）之间的多学科交叉领域。大多数数据科学家来自三个领域中的一个，所以他们倾向于所对应的那个学科。然而，数据科学就像一个三条腿的凳子，没有一条腿比另一条腿重要。因此，建模需要先进的数学知识。但不用担心，我们只需要一个高层次的概述，我们将在这个内核中覆盖该概述。此外，多亏了计算机科学，很多繁重的工作都以为你完成。所以，曾经需要数学或统计学研究生学位才能解决的问题，现在只需要几行代码。最后，我们来思考这个问题需要一些商业头脑。毕竟，就像训练一只观光狗，是它从我们身上学到的知识，而不是反过来。
机器学习（ML），顾名思义，是教机器如何思考而不是思考什么东西。虽然机器学习和大数据话题已经存在了几十年，但它比以往任何时候都更受欢迎，对企业和专业人士来说，进入机器学习领域的门槛变低。这事儿好坏参半。好是因为这些算法现在可以被更多的人所使用，可以解决更多的现实问题。不好的地方是因为进入门槛较低意味着更多的人不一定了解他们正在使用的工具，并且会由此得出错误的结论。这就是为什么我不只是专注于教你做什么，而是教你你为什么要这么做。以前，我用类似的方法让人递给你一把菲利普螺丝刀，然后他们却给你一个平头螺丝刀或者更糟糕的锤子。这完全无法被人理解。更坏的是，让项目不可能完成；最坏的，可能导致错误的（违法的）行为。所以，现在我已经提炼了我的观点，我会告诉你要做什么，最重要的是，你为什么要这么做。
首先，你必须明白，机器学习的目的是解决问题。机器学习可分为：监督学习、无监督学习和强化学习。监督学习是通过训练一个包含正确答案的训练数据集来训练模型。无监督学习是使用不包含正确答案的训练数据集训练模型。而强化学习是前两种混合模式，其中模型没有立即给出正确答案，而是在一系列事件之后加强学习。我们正在进行有监督的机器学习，因为我们正在训练我们的算法，用一组特征和它们对应的目标来呈现它。然后，我们希望从相同的数据集中展现一个新的子集，并且对同一个结果有相同的准确性。
机器学习算法有很多，但是它们可以被归类为四类：分类、回归、聚类或降维，应用什么算法取决于你的目标变量和数据建模目标。我们下次介绍聚类和降维，本文将并专注于分类和回归。我们需要一个回归算法归纳出一个连续的目标变量，需要一个分类算法归纳出一个离散的目标变量。Logistic regression，虽然它的名称里有回归，但实际上是一个分类算法。由于我们的问题是预测乘客是否幸存，这是一个离散的目标变量。我们将使用Sklearn库中的分类算法来开始我们的分析。我们将使用交叉验证和评分指标来评估算法的准确性，在后面的章节中讨论，排名和比较我们的算法的性能。
数据科学101：如何选择一种机器学习算法(MLA)
重要: 当谈到数据建模时，初学者的问题总是：“什么是最好的机器学习算法？”对此，初学者必须明白机器学习的无免费午餐定理（NFLT）。简而言之，NFLT状态下，没有超级算法，在所有情况下都适用于所有数据集。因此，最好的方法是尝试多个MLA，调整它们，并将它们与特定场景进行比较。有人说，一些比较好的研究已经做了比较算法，如Caruana & Niculescu-Mizil2006 的视频讲座里面的MLA比较，Ogutu2011由NIH进行基因组选择，Fernandez Delgado 2014比较了来自17个家庭的179个分类器，THOMA 2016 SKlearn比较；还有一个学派认为，更多的数据胜过一个更好的算法。
那么，初学者从哪里开始学习比较好呢？我建议从决策树开始，
Bagging，随机森林，和促进Boosting。它们基本上是决策树的不同实现形式，学习和理解机器学习最简单的概念。它们也比SVC之类的更容易调整，调整部分将在下一节中讨论。下面，我将概述如何运行和比较几个MLA，但是这个内核的其余部分将集中于通过决策树及其衍生形态学习数据建模。
# 机器学习算法(MLA)始化
MLA = [
# Ensemble Methods
ensemble.AdaBoostClassifier(),
ensemble.BaggingClassifier(),
ensemble.ExtraTreesClassifier(),
ensemble.GradientBoostingClassifier(),
ensemble.RandomForestClassifier(),
# Gaussian Processes
gaussian_process.GaussianProcessClassifier(),
# GLM
linear_model.LogisticRegressionCV(),
linear_model.PassiveAggressiveClassifier(),
linear_model.RidgeClassifierCV(),
linear_model.SGDClassifier(),
linear_model.Perceptron(),
# Navies Bayes
naive_bayes.BernoulliNB(),
naive_bayes.GaussianNB(),
# Nearest Neighbor
neighbors.KNeighborsClassifier(),
# SVM
svm.SVC(probability=True),
svm.NuSVC(probability=True),
svm.LinearSVC(),
# Trees
tree.DecisionTreeClassifier(),
tree.ExtraTreeClassifier(),
# Discriminant Analysis
discriminant_analysis.LinearDiscriminantAnalysis(),
discriminant_analysis.QuadraticDiscriminantAnalysis(),
# xgboost: http://xgboost.readthedocs.io/en/latest/model.html
XGBClassifier()
]
# 应用分割器进行分割http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.ShuffleSplit.html#sklearn.model_selection.ShuffleSplit
# note: this is an alternative to train_test_split这是一个测试训练集划分的变化形式
cv_split = model_selection.ShuffleSplit(n_splits=10, test_size=.3, train_size=.6,
random_state=0) # run model 10x with 60/30 split intentionally leaving out 10%
# create table to compare MLA metrics MLA列表
MLA_columns = ['MLA Name', 'MLA Parameters', 'MLA Train Accuracy Mean', 'MLA Test Accuracy Mean','MLA Test Accuracy 3*STD', 'MLA Time']
MLA_compare = pd.DataFrame(columns=MLA_columns)
# create table to compare MLA predictions MLA预测对比表
MLA_predict = data1[Target]
# index through MLA and save performance to table MLA的参数计算，及各算法表现形式
row_index = 0
for alg in MLA:
# set name and parameters
MLA_name = alg.__class__.__name__
MLA_compare.loc[row_index, 'MLA Name'] = MLA_name
MLA_compare.loc[row_index, 'MLA Parameters'] = str(alg.get_params())
# score model with cross validation交叉验证评分模型: http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_validate.html#sklearn.model_selection.cross_validate
cv_results = model_selection.cross_validate(alg, data1[data1_x_bin], data1[Target], cv=cv_split)
MLA_compare.loc[row_index, 'MLA Time'] = cv_results['fit_time'].mean()
MLA_compare.loc[row_index, 'MLA Train Accuracy Mean'] = cv_results['train_score'].mean()
MLA_compare.loc[row_index, 'MLA Test Accuracy Mean'] = cv_results['test_score'].mean()
# 如果这是一个无偏随机样本, 则平均值 +/-3 标准差 (std) ,将覆盖99.7%的样本
MLA_compare.loc[row_index, 'MLA Test Accuracy 3*STD'] = cv_results['test_score'].std() * 3 # let's know the worst that can happen!
# save MLA predictions - see section 6 for usage
alg.fit(data1[data1_x_bin], data1[Target])
MLA_predict[MLA_name] = alg.predict(data1[data1_x_bin])
row_index += 1
# print and sort table: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.sort_values.html
MLA_compare.sort_values(by=['MLA Test Accuracy Mean'], ascending=False, inplace=True)
MLA_compare
编辑表格令人窒息，怎么才能先博客能将博客的表格做的好看点，excel直接复制过来的丑到吐血
| MLA_NAME | MLA Parameters | MLA Train Accuracy Mean | MLA Test Accuracy Mean | MLA Test Accuracy 3*STD | MLA Time | ||
| 21 | XGBClassifier | {'base_score': 0.5, 'booster': 'gbtree', 'cols... | 0.856367 | 0.829478 | 0.0527546 | 0.0338062 | |
| 4 | RandomForestClassifier | {'bootstrap': True, 'class_weight':None, 'cri... | 0.892322 | 0.826493 | 0.0679525 | 0.0147755 | |
| 14 | SVC | {'C': 1.0, 'cache_size': 200, 'class_weight': ... | 0.837266 | 0.826119 | 0.0453876 | 0.0445107 | |
| 3 | GradientBoostingClassifier | {'criterion': 'friedman_mse', 'init': None, 'l... | 0.866667 | 0.822761 | 0.0498731 | 0.0715864 | |
| 15 |
| 0.835768 | 0.822761 | 0.0493681 | 0.0524707 | ||
| 12 | ExtraTreesClassifier | {'bootstrap':False, 'class_weight': None, 'cr... | 0.895131 | 0.821269 | 0.0690863 | 0.0144257 | |
| 17 | DecisionTreeClassifier | {'class_weight': None, 'criterion': 'gini','m... | 0.895131 | 0.81903 | 0.0575704 | 0.00189724 | |
| 1 | BaggingClassifier | {'base_estimator':None, 'bootstrap': True, 'b... | 0.890449 | 0.813806 | 0.0614041 | 0.0157245 | |
| 13 | KNeighborsClassifier | {'algorithm':'auto', 'leaf_size': 30, 'metric... | 0.850375 | 0.813806 | 0.0690863 | 0.00233798 | |
| 18 | ExtraTreeClassifier | {'class_weight':None, 'criterion': 'gini', 'm... | 0.895131 | 0.812687 | 0.0634811 | 0.00160697 | |
| 0 | AdaBoostClassifier | {'algorithm': 'SAMME.R', 'base_estimator':Non... | 0.820412 | 0.81194 | 0.0498606 | 0.072931 | |
| 5 | GaussianProcessClassifier | {'copy_X_train': True, 'kernel': None,'max_it... | 0.871723 | 0.810448 | 0.0492537 | 0.350273 | |
| 20 | QuadraticDiscriminantAnalysis | {'priors': None, 'reg_param': 0.0,'store_cova... | 0.821536 | 0.80709 | 0.0810389 | 0.0176577 | |
| 8 | RidgeClassifierCV | {'alphas': (0.1, 1.0, 10.0), 'class_weight':N... | 0.796629 | 0.79403 | 0.0360302 | 0.0105472 | |
| 19 | LinearDiscriminantAnalysis | {'n_components': None, 'priors': None,'shrink... | 0.796816 | 0.79403 | 0.0360302 | 0.00550387 | |
| 16 | LinearSVC | {'C':'1.0,'class_weight': None, 'dual':True,... | 0.79794 | 0.793657 | 0.0400646 | 0.0274618 | |
| 6 | LogisticRegressionCV | {'Cs': 10, 'class_weight': None, 'cv': None,'... | 0.797004 | 0.790672 | 0.0653582 | 0.129134 | |
| 12 | GaussianNB | {'priors': None} | 0.794757 | 0.781343 | 0.0874568 | 0.00183613 | |
| 11 | BernoulliNB | {'alpha': 1.0, 'binarize': 0.0,'class_prior':... | 0.785768 | 0.775373 | 0.0570347 | 0.00200269 | |
| 7 | PassiveAggressiveClassifier | {'C': 1.0, 'average': False, 'class_weight':N.. | 0.734457 | 0.730597 | 0.148826 | 0.00238907 | |
| 10 | Perceptron | {'alpha': 0.0001, 'class_weight': None,'eta0'... | 0.740075 | 0.728731 | 0.162221 | 0.00185683 | |
| 9 | SGDClassifier | {'alpha': 0.0001, 'average': False,'class_wei... | 0.737079 | 0.726119 | 0.17372 | 0.00182471 |
#barplot using https://seaborn.pydata.org/generated/seaborn.barplot.html
sns.barplot(x='MLA Test Accuracy Mean', y = 'MLA Name', data = MLA_compare, color = 'm')
#prettify using pyplot: https://matplotlib.org/api/pyplot_api.html
plt.title('Machine Learning Algorithm Accuracy Score \n')
plt.xlabel('Accuracy Score (%)')
plt.ylabel('Algorithm')
画了条形图，但此条形图我未能实现？？？还没找到是因为什么错了
5.1评价模型性能
让我们回顾一些基本数据清洗，分析，和机器学习算法（MLA），我们能够预测乘客存活率为82%的准确度。多写及几行代码不是坏处。但我们的问题是，我们是不是能做得更好，更重要的是，我们投资的投资回报率是多少？例如，如果我们研究三个月只将精度提高千分之一，真的值得么？如果你从事研究工作，答案可能是肯定的，但如果你在商业领域工作，答案大多是否定的。所以，在改进你的模型时，请记住这一点。
数据科学101：确定基本精度
在我们决定如何使模型更好之前，让我们来确定我们的模型是否值得进一步研究。要做到这一点，我们必须回到数据科学的基础。我们知道这是一个二元问题，因为只有两种可能的结果：乘客幸存或死亡。所以，把它想象成抛硬币的问题。如果你有一个均匀的硬币，你猜正或反，那么你有50%猜测正确的机会。所以，让我们把50%作为最坏的模型性能，如果模型准确率比这个还低，那么我可以扔硬币？
好了，没有关于数据集的信息，我们总是可以得到50%的二进制问题。但是我们有关于数据集的信息，所以我们应该能够做得更好。我们知道有1502/2224或67.5%的人死亡。因此，如果我们预测最高的概率，100%的人死亡，那么我们的预测的67.5%的时间是正确的。所以，让我们把68%作为坏的模型性能，任何低于这个的模型都没有意义，我可以预测对象全部死亡。
数据科学101：如何创建自己的模型
我们的准确性越来越高，但是我们能做得更好吗？我们的数据中有任何的信息吗？为了说明这一点，我们将建立自己的决策树模型，因为它是最容易概念化的，并且需要简单的加法和乘法运算。当创建一个决策树时，你想问的问题将分割你的目标响应，把幸存/ 1和死亡/ 0 划分成均匀的子群。这是科学和艺术的一部分，所以让我们玩2 1问游戏，告诉你它是如何运作的。如果你想自己跟着做，下载训练数据集并导入Excel。在列中创建包含Survived的数据透视表，其值中包含count和%，并在行中描述其中的特性。
记住，游戏的名称是使用决策树模型创建子群存活/ 1在一个箱中，在另一个箱中不存活/ 0。我们的大多数规则是经验规则。意思是，如果大多数或50%或更多的存活，那么我们小组中的每个人存活1，但如果50%个或更少的存活下来，如果我们小组中的每个人都死了/ 0。此外，如果子组小于10 and/or 我们的模型精度平台减小，我们将停止。知道了？开始吧！
问题1：你在泰坦尼克号上吗？如果是，那么大多数（62%）死亡。注意我们的样本生存率不同于我们的68%人口。然而，如果我们假设每个人都死了，我们的样本准确率是62%。
问题2：你是男性还是女性？男性死亡比例达81%。女性，多数（74%）存活。我们样本的准确率为79%。
问题3a（女性分支,count=314）：你在1, 2还是3等仓？1等，多数（97%）存活，2等（92%）存活。由于死亡子群小于10%，我们将停止这个分支。class，50-50分裂。并没有新的信息来改进我们的模型。
问题4A（女性、class3分支,count=144）：你从C、Q或S港出发了吗？我们得到了一些信息。C和Q，大多数仍然存活，所以没有变化。此外，死子群小于10，所以我们将停止。S，多数人（63%）死亡。因此，我们假设女性，3等，S舱存活。那我们的模型精度提高到81%。
问题5A（女、3班、S分支的数目为88）：到目前为止，看起来我们做出了很好的决定。添加另一个级别似乎并没有获得更多的信息。该亚组55死亡，33存活，因为大多数死亡，我们需要找到一个信号来识别33个或一个亚组，以使它们从存活到死亡，并提高我们的模型准确性。我们可以发挥自己的特点。我发现票价是0-8的比例下，多数人幸存下来。11-9是一个小样本，但经常在统计学中使用。我们稍稍提高了准确性，但并没有让我们超过82%。所以，我们就停在这里。
问题3b（男性分支数目为577）：回到问题2，我们知道大多数男性死亡。所以，我们正在寻找一个特征，识别出大多数幸存下来的子群。令人惊讶的是，等级甚至上船位置对女性都没有什么影响，但title却让我们的成功率达到82%。猜测和检查其他特征，似乎没有使我们超过82%。所以，在这里先停下。
用很少的信息，我们可以达到82%的准确率。在最坏、坏、好、好、最好的规模下，我们将把82%设置为好，因为这是一个简单的模型，它能给我们带来不错的结果。但问题仍然存在，我们能比手工制作的模型做得更好吗？
在我们开始之前，让我们编写上面所写的代码。请注意，这是一个由“手工”创建的手工过程。你不必这么做，但是在你开始使用MLA之前，理解它是很重要的。把MLA想象成一个微积分考试的Ti-89计算器。它非常强大，帮助你完成大量的繁重工作。但是如果你不知道你在考试中做什么，计算器，即使是Ti-89C，也不会帮助你通过考试。因此，明智地研究下一节。
#IMPORTANT: This is a handmade model for learning purposes only.
#However, it is possible to create your own predictive model without a fancy algorithm :)
#coin flip model with random 1/survived 0/died
#iterate over dataFrame rows as (index, Series) pairs: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.iterrows.html
for index, row in data1.iterrows():
#random number generator: https://docs.python.org/2/library/random.html
if random.random() > .5: # Random float x, 0.0 <= x < 1.0
data1.set_value(index, 'Random_Predict', 1) #predict survived/1
else:
data1.set_value(index, 'Random_Predict', 0) #predict died/0
#score random guess of survival. Use shortcut 1 = Right Guess and 0 = Wrong Guess
#the mean of the column will then equal the accuracy
data1['Random_Score'] = 0 #assume prediction wrong
data1.loc[(data1['Survived'] == data1['Random_Predict']), 'Random_Score'] = 1 #set to 1 for correct prediction
print('Coin Flip Model Accuracy: {:.2f}%'.format(data1['Random_Score'].mean()*100))
#we can also use scikit's accuracy_score function to save us a few lines of code
#http://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html#sklearn.metrics.accuracy_score
print('Coin Flip Model Accuracy w/SciKit: {:.2f}%'.format(metrics.accuracy_score(data1['Survived'], data1['Random_Predict'])*100))output：
Coin Flip Model Accuracy: 47.81%
Coin Flip Model Accuracy w/SciKit: 47.81%#group by or pivot table: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.groupby.html
pivot_female = data1[data1.Sex=='female'].groupby(['Sex','Pclass', 'Embarked','FareBin'])['Survived'].mean()
print('Survival Decision Tree w/Female Node: \n',pivot_female)
pivot_male = data1[data1.Sex=='male'].groupby(['Sex','Title'])['Survived'].mean()
print('\n\nSurvival Decision Tree w/Male Node: \n',pivot_male)Survival Decision Tree w/Female Node:
Sex Pclass Embarked FareBin
female 1 C (14.454, 31.0] 0.666667
(31.0, 512.329] 1.000000
Q (31.0, 512.329] 1.000000
S (14.454, 31.0] 1.000000
(31.0, 512.329] 0.955556
2 C (7.91, 14.454] 1.000000
(14.454, 31.0] 1.000000
(31.0, 512.329] 1.000000
Q (7.91, 14.454] 1.000000
S (7.91, 14.454] 0.875000
(14.454, 31.0] 0.916667
(31.0, 512.329] 1.000000
3 C (-0.001, 7.91] 1.000000
(7.91, 14.454] 0.428571
(14.454, 31.0] 0.666667
Q (-0.001, 7.91] 0.750000
(7.91, 14.454] 0.500000
(14.454, 31.0] 0.714286
S (-0.001, 7.91] 0.533333
(7.91, 14.454] 0.448276
(14.454, 31.0] 0.357143
(31.0, 512.329] 0.125000
Name: Survived, dtype: float64
Survival Decision Tree w/Male Node:
Sex Title
male Master 0.575000
Misc 0.250000
Mr 0.156673
Name: Survived, dtype: float64#下面是手动构建的决策树handmade data model using brain power (and Microsoft Excel Pivot Tables for quick calculations)
def mytree(df):
#initialize table to store predictions
Model = pd.DataFrame(data = {'Predict':[]})
male_title = ['Master'] #survived titles
for index, row in df.iterrows():
#Question 1: Were you on the Titanic; majority died
Model.loc[index, 'Predict'] = 0
#Question 2: Are you female; majority survived
if (df.loc[index, 'Sex'] == 'female'):
Model.loc[index, 'Predict'] = 1
#Question 3A Female - Class and Question 4 Embarked gain minimum information
#Question 5B Female - FareBin; set anything less than .5 in female node decision tree back to 0
if ((df.loc[index, 'Sex'] == 'female') &
(df.loc[index, 'Pclass'] == 3) &
(df.loc[index, 'Embarked'] == 'S') &
(df.loc[index, 'Fare'] > 8)
):
Model.loc[index, 'Predict'] = 0
#Question 3B Male: Title; set anything greater than .5 to 1 for majority survived
if ((df.loc[index, 'Sex'] == 'male') &
(df.loc[index, 'Title'] in male_title)
):
Model.loc[index, 'Predict'] = 1
return Model
#model data
Tree_Predict = mytree(data1)
print('Decision Tree Model Accuracy/Precision Score: {:.2f}%\n'.format(metrics.accuracy_score(data1['Survived'], Tree_Predict)*100))
#Accuracy Summary Report with http://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html#sklearn.metrics.classification_report
#Where recall score = (true positives)/(true positive + false negative) w/1 being best:http://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html#sklearn.metrics.recall_score
#And F1 score = weighted average of precision and recall w/1 being best: http://scikit-learn.org/stable/modules/generated/sklearn.metrics.f1_score.html#sklearn.metrics.f1_score
print(metrics.classification_report(data1['Survived'], Tree_Predict))output:
Decision Tree Model Accuracy/Precision Score: 82.04%
precision recall f1-score support
0 0.82 0.91 0.86 549
1 0.82 0.68 0.75 342
avg / total 0.82 0.82 0.82 891
#Plot Accuracy Summary
#Credit: http://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html
import itertools
def plot_confusion_matrix(cm, classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
This function prints and plots the confusion matrix.
Normalization can be applied by setting `normalize=True`.
"""
if normalize:
cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]#对于np.newaxis(相当于行向量)，为该行向量的所有值
print("Normalized confusion matrix")
else:
print('Confusion matrix, without normalization')
print(cm)
plt.imshow(cm, interpolation='nearest', cmap=cmap)
plt.title(title)
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, rotation=45)
plt.yticks(tick_marks, classes)
fmt = '.2f' if normalize else 'd'
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
plt.text(j, i, format(cm[i, j], fmt),
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black")
plt.tight_layout()
plt.ylabel('True label')
plt.xlabel('Predicted label')
# Compute confusion matrix
cnf_matrix = metrics.confusion_matrix(data1['Survived'], Tree_Predict)
np.set_printoptions(precision=2)
class_names = ['Dead', 'Survived']
# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names,
title='Confusion matrix, without normalization')
# Plot normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,
title='Normalized confusion matrix')Confusion matrix, without normalization
[[497 52]
[108 234]]
Normalized confusion matrix
[[ 0.91 0.09]
[ 0.32 0.68]]5.11 交叉验证（ CV ）模型性能
在步骤 5 中，我们使用 sklearn cross_validate 函数来训练、测试和评分我们的模型性能。
记住，重要的是我们使用一个不同的子集来训练我们的模型和测试数据来评估我们的模型。否则，我们的模型将过拟合。这意味着“预测”数据已经很好了，但在预测数据方面却很糟糕，这根本就不是预测。这就像是在学校测验中作弊而得到
100%
，但是当你去参加考试的时候，你却失败了，因为你从来没有真正学到任何东西。机器学习也是如此。
CV
基本上是一个快捷方式多次来分割和评估我们的模型，所以我们可以知道模型将如何在未见过的数据上表现。它在计算机处理方面花费较大，但它很重要，所以我们不会得到虚假的置信度。这是非常有帮助的，在一个
kaggle
竞争或任何情况下使用，一致性事项和惊喜应避免。
5.12参数超调模型
当我们使用Sklearn决策树（DT）分类器时，我们接受了所有的函数缺省值。这将有机会了解各种超参数设置将如何改变模型精度。（点击此处了解更多关于参数与超参数）。
然而，为了调整模型，我们需要真正理解它。这就是为什么我花时间在前面的部分讲解预测工作。现在让我们进一步了解我们的DT算法。
决策树的优点是：
1. 简单易懂，易于理解，决策树可以被可视化
2. 需要很少的数据准备。其他技术通常需要数据归一化，需要创建虚拟变量和删除空白值。注意，决策树不支持缺失值。
3. 使用树（即预测数据）的成本与训练树的数据点的数量成对数关系。
4. 能够处理数字和分类数据。其他技术通常专门用于分析只有一种类型变量的数据集。有关更多信息，请参见算法。
5. 能够处理多输出问题。
6. 决策树使用白盒模型。如果在模型中可观察到给定的情况，则用布尔逻辑很容易地解释条件的解释。相比之下，在黑箱模型（例如，在人工神经网络中），结果可能更难以解释。
7. 可以使用统计检验来验证模型。这使得有可能解释模型的可靠性。
8. 即使其假设在某种程度上违反了生成数据的真实模型，也能很好地执行。
决策树的缺点包括：
1. 决策树学习者可以创建过于复杂的树，这类树不能很好地概括数据。这被称为过度拟合。诸如剪枝（目前不支持）、设置叶子节点所需的最小样本数或设置树的最大深度等机制是可以避免这种问题的。
2. 因为数据中的微小变化可能导致生成完全不同的树，决策树可能是不稳定的。通过集成使用决策树来减轻这个问题。
3. 学习最优决策树NP在几个方面都是最优性，甚至是对简单的概念他都非常有效。因此，实际的决策树学习算法是基于启发式算法，如贪婪算法，在每个节点上进行局部最优决策。这样的算法不能保证返回全局最优决策树。可以通过在集成学习器中训练多个树，以此来避免局部最优解，其中特征和样本被随机抽样替换
4. 有些概念是很难学的，因为决策树不容易表达它们，例如异或、奇偶或多路复用器问题。
5. 如果一些类占主导地位，决策树学习者会创建具有偏见的树。因此，建议在与决策树拟合之前平衡数据集。
下面是可用的超参数和定义：
classsklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’,max_depth=None, min_samples_split=2, min_samples_leaf=1,min_weight_fraction_leaf=0.0, max_features=None, random_state=None,max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None,class_weight=None, presort=False)
我们将使用
ParameterGrid
,
GridSearchCV
和customized
sklearn scoring
评分来调整我们的模型；
clickhere to learn more about ROC_AUC scores
.然后，Wewill then visualize our tree with
graphviz
.
Click here to learn more about ROC_AUC scores
.
#base model
dtree = tree.DecisionTreeClassifier(random_state = 0)
base_results = model_selection.cross_validate(dtree, data1[data1_x_bin], data1[Target], cv = cv_split)
dtree.fit(data1[data1_x_bin], data1[Target])
print('BEFORE DT Parameters: ', dtree.get_params())
print("BEFORE DT Training w/bin score mean: {:.2f}". format(base_results['train_score'].mean()*100))
print("BEFORE DT Test w/bin score mean: {:.2f}". format(base_results['test_score'].mean()*100))
print("BEFORE DT Test w/bin score 3*std: +/- {:.2f}". format(base_results['test_score'].std()*100*3))
#print("BEFORE DT Test w/bin set score min: {:.2f}". format(base_results['test_score'].min()*100))
print('-'*10)
#tune hyper-parameters: http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier
param_grid = {'criterion': ['gini', 'entropy'], #scoring methodology; two supported formulas for calculating information gain - default is gini
#'splitter': ['best', 'random'], #splitting methodology; two supported strategies - default is best
'max_depth': [2,4,6,8,10,None], #max depth tree can grow; default is none
#'min_samples_split': [2,5,10,.03,.05], #minimum subset size BEFORE new split (fraction is % of total); default is 2
#'min_samples_leaf': [1,5,10,.03,.05], #minimum subset size AFTER new split split (fraction is % of total); default is 1
#'max_features': [None, 'auto'], #max features to consider when performing split; default none or all
'random_state': [0] #seed or control random number generator: https://www.quora.com/What-is-seed-in-random-number-generation
}
#print(list(model_selection.ParameterGrid(param_grid)))
#choose best model with grid_search: #http://scikit-learn.org/stable/modules/grid_search.html#grid-search
#http://scikit-learn.org/stable/auto_examples/model_selection/plot_grid_search_digits.html
tune_model = model_selection.GridSearchCV(tree.DecisionTreeClassifier(), param_grid=param_grid, scoring = 'roc_auc', cv = cv_split)
tune_model.fit(data1[data1_x_bin], data1[Target])
#print(tune_model.cv_results_.keys())
#print(tune_model.cv_results_['params'])
print('AFTER DT Parameters: ', tune_model.best_params_)
#print(tune_model.cv_results_['mean_train_score'])
print("AFTER DT Training w/bin score mean: {:.2f}". format(tune_model.cv_results_['mean_train_score'][tune_model.best_index_]*100))
#print(tune_model.cv_results_['mean_test_score'])
print("AFTER DT Test w/bin score mean: {:.2f}". format(tune_model.cv_results_['mean_test_score'][tune_model.best_index_]*100))
print("AFTER DT Test w/bin score 3*std: +/- {:.2f}". format(tune_model.cv_results_['std_test_score'][tune_model.best_index_]*100*3))
print('-'*10)
#duplicates gridsearchcv
#tune_results = model_selection.cross_validate(tune_model, data1[data1_x_bin], data1[Target], cv = cv_split)
#print('AFTER DT Parameters: ', tune_model.best_params_)
#print("AFTER DT Training w/bin set score mean: {:.2f}". format(tune_results['train_score'].mean()*100))
#print("AFTER DT Test w/bin set score mean: {:.2f}". format(tune_results['test_score'].mean()*100))
#print("AFTER DT Test w/bin set score min: {:.2f}". format(tune_results['test_score'].min()*100))
#print('-'*10)output:BEFORE DT Parameters: {'class_weight': None, 'criterion': 'gini', 'max_depth': None, 'max_features': None, 'max_leaf_nodes': None, 'min_impurity_decrease': 0.0, 'min_impurity_split': None, 'min_samples_leaf': 1, 'min_samples_split': 2, 'min_weight_fraction_leaf': 0.0, 'presort': False, 'random_state': 0, 'splitter': 'best'}
BEFORE DT Training w/bin score mean: 89.51
BEFORE DT Test w/bin score mean: 82.09
BEFORE DT Test w/bin score 3*std: +/- 5.57
----------
AFTER DT Parameters: {'criterion': 'gini', 'max_depth': 4, 'random_state': 0}
AFTER DT Training w/bin score mean: 89.35
AFTER DT Test w/bin score mean: 87.40
AFTER DT Test w/bin score 3*std: +/- 5.005.13具有特征选择的调参模型
正如一开始所说的，不是说预测变量越多模型就越好，而正确的预测因子可以提高模型的准确率。因此，数据建模的另一个步骤是特征选择。Sklearn有几个选择，我们将使用递归特征消除recursive feature elimination（RFE）与交叉验证cross validation（CV）。
#base model
print('BEFORE DT RFE Training Shape Old: ', data1[data1_x_bin].shape)
print('BEFORE DT RFE Training Columns Old: ', data1[data1_x_bin].columns.values)
print("BEFORE DT RFE Training w/bin score mean: {:.2f}". format(base_results['train_score'].mean()*100))
print("BEFORE DT RFE Test w/bin score mean: {:.2f}". format(base_results['test_score'].mean()*100))
print("BEFORE DT RFE Test w/bin score 3*std: +/- {:.2f}". format(base_results['test_score'].std()*100*3))
print('-'*10)
#feature selection
dtree_rfe = feature_selection.RFECV(dtree, step = 1, scoring = 'accuracy', cv = cv_split)
dtree_rfe.fit(data1[data1_x_bin], data1[Target])
#transform x&y to reduced features and fit new model
#alternative: can use pipeline to reduce fit and transform steps: http://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html
X_rfe = data1[data1_x_bin].columns.values[dtree_rfe.get_support()]
rfe_results = model_selection.cross_validate(dtree, data1[X_rfe], data1[Target], cv = cv_split)
#print(dtree_rfe.grid_scores_)
print('AFTER DT RFE Training Shape New: ', data1[X_rfe].shape)
print('AFTER DT RFE Training Columns New: ', X_rfe)
print("AFTER DT RFE Training w/bin score mean: {:.2f}". format(rfe_results['train_score'].mean()*100))
print("AFTER DT RFE Test w/bin score mean: {:.2f}". format(rfe_results['test_score'].mean()*100))
print("AFTER DT RFE Test w/bin score 3*std: +/- {:.2f}". format(rfe_results['test_score'].std()*100*3))
print('-'*10)
#tune rfe model
rfe_tune_model = model_selection.GridSearchCV(tree.DecisionTreeClassifier(), param_grid=param_grid, scoring = 'roc_auc', cv = cv_split)
rfe_tune_model.fit(data1[X_rfe], data1[Target])
#print(rfe_tune_model.cv_results_.keys())
#print(rfe_tune_model.cv_results_['params'])
print('AFTER DT RFE Tuned Parameters: ', rfe_tune_model.best_params_)
#print(rfe_tune_model.cv_results_['mean_train_score'])
print("AFTER DT RFE Tuned Training w/bin score mean: {:.2f}". format(rfe_tune_model.cv_results_['mean_train_score'][tune_model.best_index_]*100))
#print(rfe_tune_model.cv_results_['mean_test_score'])
print("AFTER DT RFE Tuned Test w/bin score mean: {:.2f}". format(rfe_tune_model.cv_results_['mean_test_score'][tune_model.best_index_]*100))
print("AFTER DT RFE Tuned Test w/bin score 3*std: +/- {:.2f}". format(rfe_tune_model.cv_results_['std_test_score'][tune_model.best_index_]*100*3))
print('-'*10)output:
#Graph MLA version of Decision Tree: http://scikit-learn.org/stable/modules/generated/sklearn.tree.export_graphviz.html
import graphviz
dot_data = tree.export_graphviz(dtree, out_file=None,
feature_names = data1_x_bin, class_names = True,
filled = True, rounded = True)
graph = graphviz.Source(dot_data)
graph
306
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
