实战 |利用机器学习实现一个多分类任务

对于机器学习而言，如果你已经大致了解了相关算法的原理、理论推导，你也不是大家口中刚入门的小白了。接下来你需要将自己所学的知识利用起来，最好的方式应该就是独立完成几个项目实战，项目难度入门级即可，因为重点是帮助你了解一个项目的流程，比如缺失值和异常值的处理、特征降维、变量转换等等。

Kaggle毋庸置疑是一个很好的平台，里面的泰坦尼克号、房屋价格预测、手写数字都是非常非常经典的入门实战项目，如果你独立完成这三个项目后感觉可以提升一下难度，就可以继续在Playground中寻找适合自己的项目。但如果你感觉还需要几个简单的项目巩固一下，这里给大家安利一下SofaSofa竞赛平台。

专业程度虽然不及Kaggle，但练习赛中十个简单项目用来练手还是不错的，种类也是非常全的，包括分类、回归预测、自然语言处理、图像识别等等，本文在练习赛【8】——地震后建筑修复建议的基础上实现。

了解数据集

首先一定要做的是了解数据集，因为大多数据集的特征名都是以英文或者以英文简写搭配命名，只有真正了解一个特征的意义，才能更好地分析该特征与标签变量之前存在的关系。SofaSofa在每个比赛中都会有一个表格，给出所有变量对应的解释。

可以看到这个数据集的特征并不是很多，但训练集共有65万个样本，我们都知道数据多对于建模是有好处的，因为数据越多覆盖面就越广，会提高模型的准确率，当然这可能会牺牲一些内存和计算时间。标签变量y，共有四种可能取值，说明这是一个多元分类问题。

没有缺失值是不错的消息，除标签变量y之外，共有9个数值型比变量和5个类别型变量。

可视化分析

可视化分析一方面是帮助我们找出样本中的异常点和离群点，一方面也是帮助分析特征与标签变量之间的关系。但上面提及了这个训练集足足有65万条数据，如果同时利用所有样本绘制图像，图像可能会被样本点填满，很难从中得出有用的信息。

所以这里可以选择随机抽样的方式，每次抽取1000-2000个样本绘制图像进行分析，可以多抽取几次，防止数据的偶然性。这里选择用散点图可视化数值型特征，用area和age为例。

area特征中有一些数值偏大，但不能说其是异常点，因为一些大型建筑物占地面积3000不是不可能的，但2000个样本，仅有不到20个样本的占地面积大于1500，所以可以将其视为离群点，离群点在建模时是会影响拟合的，所以选择舍去。

对于建筑物的年限age而言，可视化后会发现有很多样本在age这一特征的数值都为999，中间却有很大的空缺，比如没有一个样本点的age位于500-900之间，所以这类样本被视为异常点，再结合离群点分析，可以选择一个阈值进行过滤。其他数值型特征可以做同样的操作，这里不再过多介绍。

这个数据集还有个奇怪的地方就是有很多样本地震后的楼层、高度都要高于地震发生之前，这显然是不可能发生的，可能是在数据填充时出现了错误，利用布尔索引过滤掉此类特征。

#布尔索引
data1 = data1[data1['floors_before']>=data1['floors_after']]
data1 = data1[data1['height_before']>=data1['height_after']]
data1.reset_index(drop = True)#重置索引

然后利用相关矩阵对所有的数值型特征进行一下相关性分析，通过观察相关性舍去一些没有必要的特征达到降维的目的。

这里"district_id"和"area_id"是完全相关的，可以随便留下一个，或者都删去，因为相关性确实小的可怜；可以看到这里增加了两个新的变量"floors_diff"和"height_diff"，就是地震前后的建筑物层数和高度的差值，可以观察一下标签变量"y"和这六个属性的相关性，与地震前的信息相关性极低，也就是说，标签变量很少关注一个建筑物震前的信息，而是着重关注经过地震之后建筑物发生变化的信息。

类别型变量转换

类别型变量不方便后期建模时传入数据，所以我们需要提前将类别型变量转换为算法能识别的数值型，变量转换方式有很多种，比如有序变量、哑变量、虚拟变量。

对于"position"这一特征，可以进行有序变量，由于仅有一个特征，所以没有调用sklearn中的API，而是直接利用自定义函数结合apply函数进行转换。

def pos(e):
    if e == "Not attached":
        return 0
    elif e == "Attached-1 side":
        return 1
    elif e=="Attached-2 side":
        return 2
    else:
        return 3
data1['position'] = data1['position'].apply(pos)

而剩下的几个类别型变量皆为无序变量，可以将其转化为哑变量，再进一步转化为虚拟变量。相比于sklearn中的API，pandas自带的方法看起来更加简洁。

#哑变量编码
dummy_df = pd.get_dummies(data1.iloc[:,6:10])

如果你感觉这种方式简单，并没有懂哑变量编码的意思和过程，可以试着了解一下下面这个函数，同样是实现哑变量编码。

def dummy_code(var):
    #获取特征中所有变量
    var_unique = var.unique()
    #新建一个DataFrame
    dummy = pd.DataFrame()
    #最后一个不设置虚拟变量，可用之前所有变量表示
    for val in var_unique:
        #利用一个布尔型数组存储编码后的变量
        bo = (val==var)
        #命名,并将True转为1，False转为0
        dummy[var.name+"_"+str(val)] = bo.astype(int)
    return dummy

将哑变量进一步转化为虚拟变量合并至数据集中，代码如下：

#每个特征删去一个类别，得到虚拟变量
dummy_df1 = dummy_df.drop(['land_condition_S','foundation_type_O','roof_type_H','ground_floor_type_T'],axis = 1)
#删去原特征，合并虚拟变量
data1 = data1.drop(['land_condition','foundation_type','roof_type','ground_floor_type'],axis = 1)
data1 = pd.concat([data1,dummy_df1],axis = 1)

可能很多伙伴不太了解为什么虚拟变量可以这样转换，虚拟变量与哑变量相比，减少了特征的维度，本质是类似的，以"roof_type"这一特征举例，经过哑变量转换形成三个新特征:[“roof_type_H”,“roof_type_L”,“roof_type_R”]，如果在"roof_type"为"R"的样本，在哑变量的表达方式应该是[0,0,1]，但是如果从哑变量中删去"roof_type_R"这一特征，表达方式就可以变成[0,0]，通过唯一性就可以利用前两个特征推出第三个特征的值，所以减少了不必要的特征以实现降维。

当然这里还可以做一下方差过滤、相关性分析等操作进一步实现特征降维，各位在实操的时候可以自己试一下。

建模工作

前面说过了这个是一个多元分类项目，所以在建模的时候可以有两种选择，一是利用多元分类器，比如随机森林、朴素贝叶斯，二就是利用二元分类器实现多元分类任务，比如逻辑回归、SVM。

后面文章会写一篇关于二元分类器实现多元分类的文章，本文就集中于多元分类器的实现，主要用到的两个分类器是随机森林和LGBM。

一般建模的流程大致是在训练集上切分训练集和测试集，有的数据需要标准化处理，然后训练模型，利用测试集进行预测，获取模型的准确率或其他衡量模型好坏的指标，下面以随机森林分类器模拟一下该流程。

首先进行数据切分，可以选择控制训练集和测试集的比例：

from sklearn.model_selection import train_test_split
features = data2.iloc[:,0:-1].values
label = data2.iloc[:,-1].values
X_train,X_test,y_train,y_test = train_test_split(features,label,test_size = 0.3)

这里介绍一下可以减少代码量的管道流，如果正常来说，我们可能要分别实例化标准化和PCA的API，然后再传入训练集和测试集，这些操作可以利用管道流封装到一起，让代码看起来更加简洁。

from sklearn.ensemble import RandomForestClassifier
from sklearn.decomposition import PCA
from sklearn.pipeline import make_pipeline,Pipeline
#管道流简化工作流
pipe_rf = make_pipeline(StandardScaler(),
                        PCA(n_components=10),
                        RandomForestClassifier())
pipe_rf.fit(X_train,y_train)
#得到每个类别的概率
pred_y_rf = pipe_rf.predict_prob(X_test)

利用predict_prob计算出标签变量得到每个类别的概率，然后利用索引排序可以得到概率最大的两个类别：

pred_df = pd.DataFrame(data=pred_y_rf.argsort()[:, -2:][:, ::-1], columns=['y1', 'y2'])
pred_df.to_csv("eq_submission.csv",index=False)

由于数据量比较大，调参比较费时，在没有调参的情况下，随机森林模型的概率大致为68%，LGBM模型的准确率大致为70%，准确率并不是太好，除准确率外还可以通过查全率、查准率、F1-score衡量一下模型的好坏，上文大体上提供了一个建模前及建模的思路而已，伙伴们可以利用自己的思路，再加上调参应该会得到一个不错的模型。

这幅图是关于特征重要度的饼图，可以根据饼图再调节特征，其中area占比是比最大的，然后"distict_id"占比也是不小的，但是上文关系矩阵中与标签变量的相关性又很小，所以分析要相互结合、更加全面一些才好。

说在最后

上面的一系列操作都是为了最后的模型，但如果作为一个竞赛，你需要提交一份文件，而这份文件从何来？竞赛会给出一个不含标签变量的测试集！注意与测试集中分割出的测试集不同。我们同样需要对测试集做一些数据处理，操作和训练集类似，然后将训练出的模型应用在测试集上，会得出最后的结果保存成一个新的csv文件，这就是你最后需要提交的文件啦。

公众号【奶糖猫】后台回复"地震"可获取源码供参考