案例二：SVC真实数据案例——预测明天是否会下雨

1.导库导数据，探索特征

（1）将特征矩阵和标签分开，确定X和Y
（2）探索数据类型

X.info()

（3）探索缺失值——每个特征中缺失值的比例

X.isnull.mean()

（4）探索标签的分类

np.unique(Y)

2.分集，并优先探索标签

在现实中，应当先分训练集和测试集，再进行数据预处理。因为测试集在现实中往往是不可获得的，或者被假设为不可不可获取的，我们不希望建模的任何过程受到测试集数据的影响，否则的话，就相当于提前告诉模型一部分预测的答案。在这里，为了让案例尽量接近真是的样貌，所以采用了现实中的处理方式：先分训练集和测试集，再一步步进行预处理。

（1）分训练集和测试集，并恢复训练集和测试集的索引

（2）探索标签
①观察是否存在样本不均衡的问题

Ytrain.value_counts()
Ytest.value_counts()

②将标签进行编码
用LabelEncoder()

3.探索特征，开始处理特征矩阵

（1）描述性统计与异常值
①描述性统计

Xtrain.describe().T
Xtest.describe().T

②观察异常值是大量存在，还是少量存在
如果少量存在，可以直接删除，但必须把对应的标签也删除，使特征的行与标签的行一一对应；若果多次出现，就应该与业务人员沟通。

③恢复索引

（2）处理困难特征：日期
日期是一个字符串变量，它本身并不影响天气，但他确实与结果有关，它从两个角度影响着标签：
①昨天的天气影响今天的天气，今天的天气又可能影响明天的天气。也就是说，随着日期的逐渐改变，下一个样本会受到上一个样本的影响。但是对于算法来讲，普通的算法捕捉的是每个特征与标签之间的联系，无法捕捉到样本与样本之间的联系。要让算法理解上一个标签可能影响下一个样本的标签，必须使用时间序列分析。
针对这个情况，我们将时间对气候的连续影响，转换成“今天是否下雨”这个特征，巧妙地将样本对应标签之间的关系转换成特征与标签之间的联系

②日期所在的月份和季节其实是影响天气的，因此我们可以将月份或者季节提取出来，作为一个特征使用，而舍弃具体的日期。

还可以有其他的思路处理时间，这里只提供两种方法。

（3）处理困难特征：地点
思路:从地点到气候
我们的样本中含有49个不同地点，如果做成分类型变量，算法就无法辨别它究竟是否为分类变量。也就是说，我们需要让算法意识到，不同的地点因为气候不同，所以对标签（明天是否会下雨）有着不同的影响。如果我们能够将地点转换为这个地方的气候，并将不同城市打包到同一气候中，而同一气候反应的降雨情况应该是相似的。
将澳大利亚划分为八个区域，即将49个地点转换成八种不同的气候。
有了澳大利亚全国主要城市的气候，也有了澳大利亚主要城市的经纬度（地点），就可以通过计算样本中每个气候站都各个主要城市的地理距离，来找到一个离这个气象站最近的主要城市，而这个主要城市的气候就是我们样本点所在地点的气候。

（4）处理分类型变量：缺失值
在现实中，很少用随机森林填补缺失值，对于分类型变量，往往使用众数进行填补，对于连续型变量，往往使用均值填补。进行填补的时候，应该使用训练集上的众数和均值对训练集和测试集进行填补。

（5）处理分类型变量：将分类型变量编码
哑变量处理会使特征变得很多，这对支持向量机是一个很大的负担，所以使用OrdinalEncoder。

（6）处理连续型变量：填补缺失值
现实中为什么不使用算法进行填补？
首先，算法是黑箱，解释性不强，无法向领导解释；其次，算法填补太过缓慢，成本较高。

在现实中，往往使用易于理解的均值或者中位数进行填补。

（7）处理连续型变量：无量纲化
数据无量纲化是SVM执行前的重要步骤，因此我们需要对数据进行无量纲化。但是注意，这个操作我们部队分类型变量进行。

4.建模与模型评估

用核函数的学习曲线来选择合适的核函数，并同时观察精确度，recall以及AUC分数。

5.模型调参

对于不同的目标，有不同的调参方向：
希望不计一切代价判断出少数类——最高的recall；
希望追求最高的预测准确率——accuracy最高，不在意recall或者AUC；
希望达到recall，ROC和accuracy之间的平衡——不追求任何一个也不牺牲任何一个。