机器学习——模型评估与选择（拟合、）

【说明】文章内容来自《机器学习——基于sklearn》，用于学习记录。若有争议联系删除。

1、拟合

        拟合是指机器学习模型在训练的过程中，通过更新参数，使得模型不断契合可观测数据(训练集)的过程。欠拟合指的是模型在训练和预测表现都不好，往往由于模型过于简单,如图(a)所示。正常模型指的是模型在训练和预测表现都好，如图 (b)所示。过拟合是指由于模型过于复杂，模型在训练集上的表现很好，但在测试集上表现较差,如图 (c)所示。

1.1 欠拟合

         欠拟合往往是由于模型的数据特征过少或者模型复杂度较低所致。因此，可以通过如下办法解决欠拟合问题：
通过特征工程添加更多特征项。当特征不足或者现有特征与样本标签的相关性不强时,通过组合特征进行处理。
进行模型优化,提升模型复杂度。提升模型的复杂度能够增强模型的拟合能力。例如，在线性模型中可以通过添加高次项等提升模型的复杂度。
减小正则项权重。正则化的目的是防止过拟合,但是现在模型出现了欠拟合，因此需要减小正则项的权重
使用集成方法。融合几个有差异的弱模型，使其成为一个强模型

1.2 过拟合

        过拟合指的是模型在训练集上表现得很好，但是在交叉验证集合测试集上表现得一般，也就是说模型对未知样本的预测表现得一般，泛化(generalization)能力较差。过拟合产生的原因往往有以下几个:

1. 训练数据不足，数据太少，导致无法描述问题的真实分布。根据统计学的大数定律，在试验不变的条件下，重复试验多次,随机事件的频率将趋近其概率。模型在求解最小值的过程中需要兼顾真实数据拟合和随机误差拟合。
2. 数据有噪声。噪声数据使得更复杂的模型会尽量覆盖噪声点，即对数据过拟合。
3. 对模型训练过度，导致模型非常复杂。

针对过拟合产生的原因，抑制过拟合的几种方法如下:

1. 获取更多的训练样本。通过获取更多的训练样本,可以衰减噪声数据的权重。
2. 增加正则项权重，减少高次项的影响。例如,通过L1或 L2正则化提高模型的泛
3. 数据处理。

• 进行数据清洗，纠正错误的标签，删除错误数据。
• 进行特征共性检查，利用皮尔逊相关系数计算变量之间的线性相关性，进行特征选择。
• 重要特征筛选，例如，对决策树模型进行求最大深度、剪枝等操作。
• 数据降维，通过主成分分析等保留重要特征。

1.3 正则化

        正则化(regularization)目的在于提高模型在未知测试数据上的泛化能力，避免参数过拟合。常用方法是在原模型优化目标的基础上增加针对参数的惩罚(penalty)项，一般有L1正则化与L2正则化两种方法。
L1正则化是基于L1范数实现的，也就是 LASSO 回归，即在目标函数后面加上参数的绝对值之和与参数的积项。

L2正则化是基于L2范数实现的，也就是岭回归，即在目标函数后面加上参数的平方之和与参数的积项:

L1范数: 指向量中各个元素绝对值之和

L2范数: 指向量各元素的平方和然后求平方根

2、模型调参

        模型调参是指从数据特征入手，通过调整模型中的超参数来解决欠拟合和过拟合问题。
Sklearn 提供了网格搜索和随机搜索两种参数调优方法。

2.1 网格搜索

        GridSearchCV可以自动进行超参数组合，通过交叉验证评估模型的优劣。GridSearchCV拆分为GridSearch 和 CV两部分，即网格搜索和交叉验证。网格搜索是指在指定的参数范围内,通过循环和比较调整参数，训练预估器。假设模型有两个参数a，b，参数a有3个取值，参数b有4个取值，共有3X4=12个取值，则依次搜索这12个网格。交叉验证将训练数据集划分为K份(默认为10)，依次取其中一份作为测试集，其余为训练集。model_selection 模块提供了GridSearchCV函数用于网格搜索，格式如下:

GridSearchCV(eatimator,param_grid)

【参数说明】

• estimator:选择使用的分类器,并且传人除需要优化的参数之外的其他参数。每一个分类器都需要一个 scoring参数或者 score方法。
• param_grid:需要优化的参数的取值，值的类型为字典或者列表。

示例：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV
#加载鸢尾花数据
iris = datasets.load_iris()
#划分数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, 
                                                   random_state = 3)
#标准化
transfer = StandardScaler()
X_train = transfer.fit_transform(X_train)
X_test = transfer.transform(X_test)
#KNN算法预估器
estimator = KNeighborsClassifier()
#多个超参数，引入网格搜索
param_dict = {'n_neighbors':[1,3,5,7,9,11]}
estimator = GridSearchCV(estimator, param_grid = param_dict, cv =10)
estimator.fit(X_train, y_train)
#模型评估
#最佳参数
print('最佳参数:\n',estimator.best_params_)
#最佳结果
print('最佳结果:\n',estimator.best_score_)
#最佳评估器
print('最佳评估器:\n',estimator.best_estimator_)
#交叉验证结果
print('交叉验证结果:\n',estimator.cv_results_)

【运行结果】

2.2 随机搜索

        在处理较少的超参数组合时，GridSearchCV方法比较适用。GridSearchCV可以保证在指定的参数范围内找到精度最高的参数，但是这也是网格搜索的缺陷所在，要求遍历所有可能参数的合，在面对大数据集和多参数的情况下，非常耗时。RandomizedSearchCV随机参数搜索的方法相对于网格搜索方法,找到模型的最优参数的可能性比较大，并且也比较省时。

Sklearn的model_selection模块RandomizedSearchCV方法用于随机搜索，代码如下：

meta_clf = RandomForestClassifier(n_estimators = 20)
给定参数搜索范围：list or distribution
param_dist = {"max_depth": [3, None], #给定list树的最大深度，如果None，节点扩展直到所有叶子
              "max_features": sp_randint(1, 11),  #给定distribution寻找最佳分裂点时考虑的特征数目。可选值，int（具体的数目），float（数目的百分比
              "min_samples_split": sp_randint(2, 11), #分裂内部节点需要的最少样例数。int(具体数目),float(数目的百分比) 
              "bootstrap": [True, False],   #构建数是不是采用有放回样本的方式
              "criterion": ["gini", "entropy"]}  #度量分裂的标准。可选值：“mse”，均方差（mean squared error）
# 用RandomiSearch+CV选取超参数
n_iter_search = 20
random_search = RandomizedSearchCV(clf, param_distributions=param_dist,
                                   n_iter=n_iter_search, cv=5, iid=False)
random_search.fit(X, y)

示例：

from sklearn import datasets 
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import RandomizedSearchCV
iris = datasets.load_iris()
iris_feature = iris['data']
iris_target = iris['target']
#建模分析
forest_clf = RandomForestClassifier(random_state = 42)
param_distribs = {'n_estimators': range(10, 100), 'max_depth': range(5, 20)}
random_search = RandomizedSearchCV(forest_clf, param_distribs, n_iter = 50, cv = 3)
random_search.fit(iris_feature, iris_target)
print(random_search.best_params_)
best_model = random_search.best_estimator_

【运行结果】