数据分析-随机森林，GridSearchCV，逻辑回归，混淆矩阵，时间序列分析

构建随机森林分类器

随机森林它实际上是一个包含多个决策树的分类器，每一个子分类器都是一颗CART分类回归树，所以随机森林既可以做分类，又可以做回归。

• 当它做分类的时候，输出的结果是每一个子分类器的分类结果中最多的那个。你可以理解是每一个分类器都做投票，取投票最多的那个结果。
• 当它做回归的时候，输出结果是每棵CART树的回归结果的平均值

GridSearchCV工具的使用

在做好分类算法的时候，我们需要经常调节网络参数，目的是得到更好的分类结果，实际上一个分类算法有很多参数，取值范围也很广，这样我们该怎么办？

GridSearchCV就是帮助我们去调参的一个工具，它是python的参数自动搜索模块。我们只需要告诉它想要调优的参数有哪些以及参数的取值范围，它就会把所有的情况都跑一边，然后告诉我们哪个参数最优

调用方法：

from sklearn.model_selection import GridSearchCV

使用随机森林对iris进行数据分析，假设我们想知道n_estimators在1-10的范围内取哪个值的分类结果最好

#使用随机森林进行分类
from sklearn.ensemble import RandomForestClassifier
#利用GridSearchCV寻找最优参数
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

rf = RandomForestClassifier()
parameters = {'n_estimators':range(1,11)}
iris = load_iris()
#使用GridSearchCV进行参数调优
clf = GridSearchCV(estimator=rf,param_grid=parameters)
#对iris数据集进行分类
clf.fit(iris.data,iris.target)
print('最优分数:%.4lf' % clf.best_score_)
print('最优参数:',clf.best_params_)


#结果
最优分数:0.9600
最优参数: {'n_estimators': 5}

这样当我们采用随机森林作为分类器的时候，最优的准确率为0.96，当n_estimators=6的时候是最优参数，也就是随机森林一共有6个子决策树

使用Pipeline管道机制进行流水线作业

做分类的时候往往都是有步骤的，比如先对数据进行规范化处理，也可以使用PCA方法（一种常用的降维方法）对数据降维，最后使用分类器分类

在python中有一种pipeline管道机制。管道机制就是让我们把每一步都按顺序列下来，从而创建pipeline流水线作业，每一步都采用（“名称”，“步骤”）的方式来表示

首先，先采用StandardScaler方法对数据规范化，即采用数据规范化为均值为0，方差为1的正态分布，然后采用PCA方法对数据进行将维，最后采用随机森林进行分类

具体代码如下：

from sklearn.model_selection import GridSearchCV
pipeline = Pipeline([
	('scaler',StandardScaler()),
	('pca',PCA()),
	('randomforestclassifier',RandomForestClassifier())
])

构建逻辑回归分类器

逻辑回归作为常用的数据挖掘算法，也是我们必要掌握的技能之一

逻辑回归也叫作logistic回归，虽然名字中带有“回归”，但它实际上是分类方法，主要用于解决二分类的问题，也可以解决多分类问题

在g(z)的结果在0-1之间，当Z越大的时候，g(z)越大，当z趋于无穷大的时候，g(z)趋近于1。同样当z趋近于无穷小的时候，g(z)趋近于0。同时，函数值以0.5为中心

为什么逻辑回归算法是基于sigmoid函数实现的：

​ 当我们要实现一个二分类任务，0即为不发生，1即为发生。我们给定一些历史数据x和y。

其中X代表样本的n个特征，y代表正例和负例，也就是0或者1的取值。通过历史样本的学习，我们可以得到一个模型，当给定新的X的时候，可以预测出Y。这里我们得到的Y是一个预测的概率，通常不是0%和100%，而是中间得到取值，那么我们就可以认为概率大于50%的时候，即为发生（正例），概率小于50%的时候，即为不发生（负例）。这样就完成了二分类的预测。

模型评估指标

我们之前对模型做评估时，通常采用的是准确率，它指的是分类器正确分类的样本数与总体样本数之间的比例。这个指标对大部分的分类情况是有效的，不过当分类结果严重不平衡的时候，准确率很难反应模型的好坏。

• TP：预测为正，判断正确
• FP：预测为正，判断错误
• TN：预测为负，判断错误
• FN：预测为负，判断错误

实际上，对于分类器不平衡的情况，有两个指标非常重要，它们分别是精确度和召回率

精确率 p= TP/(TP+FP)

召回率 R = TP/(TP+FN)

混淆矩阵

混淆矩阵也叫误差矩阵，实际上它就是TP,FP,TN,FN这四个数值的矩阵表示，帮助我们判断预测值和实际值相比，对了多少。

然后使用了sklearn中的precision_curve函数，通过预测值和真实值来计算精确率-召回率曲线，precision_recall_curve函数会计算在不同概率阈值情况下的精确率和召回率。最后定义plot_precision_recall函数，绘制曲线

时间序列预测

ARMA模型工具