2021-06-23第三章

• plt.rcParams['font.sans-serif'] = ['SimHei'] 设置字体为SimHei显示中文
  plt.rcParams['axes.unicode_minus'] = False 设置正常显示字符 负号
  plt.rcParams['figure.figsize'] = (10, 6) 设置输出图片大小

  
  
  截屏2021-06-23 16.23.57.png

%matplotlib inline是一个魔法函数（Magic Functions），你可以通过命令行的语法形式来访问它们。使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。（参考：https://www.cnblogs.com/emanlee/p/12358088.html）

任务一：切割训练集和测试集

• shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数

1）将数据集分为自变量和因变量
2）按比例切割训练集和测试集(一般测试集的比例有30%、25%、20%、15%和10%)
3）使用分层抽样
4）设置随机种子以便结果能复现

通常将数据集的80%作为训练集，20%作为测试集；
通常需要在开始构建模型之前把数据集进行划分，防止数据窥探偏误；
通常我们在构建模型的时候需要将数据进行处理，包括一些数据的清洗，数据的特征缩放（标准化或者归一化）

• 比如：我们得到的属性中可能有缺失值，因为在这些操作之前，我们已经把数据集分成了训练集和测试集，通常的做法是通过计算属性值的中位数来填充缺失值；

由于测试集作为对泛化误差的近似，所以可以通过训练两个模型，然后对比他们在测试数据上的泛化误差，选择泛化能力强的模型。
（来源：https://blog.csdn.net/haoji007/article/details/106165488）

截屏2021-06-23 16.22.33.png

X_train,X_test, y_train, y_test =sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.4, random_state=0,stratify=y_train)
train_data：所要划分的样本特征集
train_target：所要划分的样本结果
test_size：样本占比，如果是整数的话就是样本的数量
random_state：是随机数的种子。
随机数种子：在需要重复试验的时候，保证得到一组一样的随机数。每次都填1，其他参数一样的情况下你得到的随机数组是一样的；但填0或不填，每次都会不一样。
stratify是为了保持split前类的分布。用了stratify参数，training集和testing集的类的比例是 A：B= 4：1，等同于split前的比例（80：20）。通常在这种类分布不平衡的情况下会用到stratify。
将stratify=X就是按照X中的比例分配
将stratify=y就是按照y中的比例分配
（来源：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html）

任务二：模型创建
1）创建基于线性模型的分类模型（逻辑回归）
2）创建基于树的分类模型（决策树、随机森林）
3）分别使用这些模型进行训练，分别的到训练集和测试集的得分
4）查看模型的参数，并更改参数值，观察模型变化

WechatIMG47362.png

截屏2021-06-23 16.55.39.png

图片展示如何选择合适模型：分类，回归，聚类，降维
回归问题通常是用来预测一个值 （预测的结果是连续的，例如预测明天的温度，23，24，25度）
分类问题是用于将事物打上一个标签，通常结果为离散值 （预测的结果是离散的，例如预测明天天气-阴，晴，雨）
参考：https://blog.csdn.net/u011630575/article/details/58676160

• penalty参数可选择的值为”l1”和”l2”.分别对应L1的正则化和L2的正则化，默认是L2的正则化
• multi_class参数决定了我们分类方式的选择，有 ovr（one-vs-rest）和multinomial（many-vs-many）。
• class_weight参数用于标示分类模型中各种类型的权重，可以不输入，即所有类型的权重一样。如果选择balanced让类库自己计算类型权重，那么类库会根据训练样本量来计算权重。某种类型样本量越多，则权重越低，样本量越少，则权重越高；或者我们自己输入各个类型的权重，比如对于0,1的二元模型，我们可以定义class_weight={0:0.9, 1:0.1}，这样类型0的权重为90%，而类型1的权重为10%。
  ovr即前面提到的one-vs-rest(OvR)，而multinomial即前面提到的many-vs-many(MvM)。
  来源： https://andy1314chen.github.io/2017/09/07/sklearn%E5%BA%93LogisticRegression%E4%BD%BF%E7%94%A8%E5%8F%8A%E7%AE%80%E5%8D%95%E8%B0%83%E5%8F%82/
  逻辑回归
  决策树
  随即森林
  任务三：输出模型预测结果
  
  截屏2021-06-23 17.29.55.png
• predict：训练后返回预测结果，显示标签值
  predict_proba：返回一个 n 行 k 列的数组， 第 i 行 第 j 列上的数值是模型预测 第 i 个预测样本为某个标签的概率，并且每一行的概率和为1
  （来源：https://zhuanlan.zhihu.com/p/112450587）

任务4：交叉验证

• from sklearn.model_selection import cross_val_score 十折交叉验证
• lr = LogisticRegression(C=100)
  scores = cross_val_score(lr, X_train, y_train, cv=10)
  k越大，训练集在整个原始训练集的占比就越多

任务5：混淆矩阵
混淆矩阵是ROC曲线绘制的基础，分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来；最终需要判断样本的结果是0还是1，或者说是positive还是negative

截屏2021-06-23 18.48.15.png

参考：https://blog.csdn.net/weixin_37641832/article/details/104434509

任务6：ROC曲线

• ROC曲线上的一组组（FPR，TPR）值是通过改变阈值得到，用来反应某分析方法特异性和敏感性的关系
  pos_label：label中被认定为正样本的标签。若label=[1,2,2,1]且pos_label=2，则2为positive，其他为negative。
  参考：https://blog.csdn.net/hesongzefairy/article/details/104302499