第三章模型搭建和评估–建模

经过前面的两章的知识点的学习，我可以对数数据的本身进行处理，比如数据本身的增删查补，还可以做必要的清洗工作。那么下面我们就要开始使用我们前面处理好的数据了。这一章我们要做的就是使用数据，我们做数据分析的目的也就是，运用我们的数据以及结合我的业务来得到某些我们需要知道的结果。那么分析的第一步就是建模，搭建一个预测模型或者其他模型；我们从这个模型的到结果之后，我们要分析我的模型是不是足够的可靠，那我就需要评估这个模型。今天我们学习建模，下一节我们学习评估。

我们拥有的泰坦尼克号的数据集，那么我们这次的目的就是，完成泰坦尼克号存活预测这个任务。

from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = 'all'

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from IPython.display import Image

%matplotlib inline

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.figsize'] = (10, 6)  # 设置输出图片大小

载入这些库，如果缺少某些库，请安装他们

【思考】这些库的作用是什么呢？你需要查一查

【思考题回答】

pandas：Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis）。是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

numpy：NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。

matplotlib.pyplot：Matplotlib是Python的绘图库，其中的pyplot包封装了很多画图的函数。Matplotlib.pyplot包含一系列类似 MATLAB 中绘图函数的相关函数。

seaborn：Seaborn是一种基于matplotlib的图形可视化python libraty。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。同时它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。

载入我们提供清洗之后的数据(clear_data.csv)，大家也将原始数据载入（train.csv），说说他们有什么不同

# 读取原数据数集
train = pd.read_csv('train.csv')
train.shape

(891, 12)

train.head()

image.png

#读取清洗过的数据集
data = pd.read_csv('clear_data.csv')
data.shape

(891, 11)

data.head()

image.png

【回答】两者区别：清洗过的数据集把PassengerId从0开始计数，Survived应该是被拿出当label了。而Name、Ticket、Cabin 这些非类别型或分类较多、缺失值多的文本型数据的列被删除了，而Sex和Embarked这些分类较少的类别型文本型数据被OneHotEncoded了。

模型搭建

--处理完前面的数据我们就得到建模数据，下一步是选择合适模型
--在进行模型选择之前我们需要先知道数据集最终是进行监督学习还是无监督学习
--模型的选择一方面是通过我们的任务来决定的。
--除了根据我们任务来选择模型外，还可以根据数据样本量以及特征的稀疏性来决定
--刚开始我们总是先尝试使用一个基本的模型来作为其baseline，进而再训练其他模型做对比，最终选择泛化能力或性能比较好的模型
--这里我的建模，并不是从零开始，自己一个人完成完成所有代码的编译。我们这里使用一个机器学习最常用的一个库（sklearn）来完成我们的模型的搭建

【补充】Scikit-learn（以前称为scikits.learn，也称为sklearn）是针对Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学图书馆NumPy和SciPy兼容。

下面给出sklearn的算法选择路径，供大家参考

# sklearn模型算法选择路径图
Image('sklearn.png')

image.png

【思考】数据集哪些差异会导致模型在拟合数据时发生变化

【思考回答】

1.样本数量
2.是否是分类问题
3.数据是否有标记
4.是否数量预测
5.数据特征维度

任务一：切割训练集和测试集

这里使用留出法划分数据集

--将数据集分为自变量和因变量
--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%)
--使用分层抽样
--设置随机种子以便结果能复现

【思考】

划分数据集的方法有哪些？
为什么使用分层抽样，这样的好处有什么？

【思考回答】

划分数据集的方法：
留出法(Hold-out)
交叉验证法(Cross validation)
自助法(Bootstrapping)
分层抽样将总体单位按其属性特征分成若干类型或层，然后在类型或层中随机抽取样本单位。好处是通过划类分层，增大了各类型中单位间的共同性，容易抽出具有代表性的调查样本，抽样误差比较小。

任务提示1

切割数据集是为了后续能评估模型泛化能力
sklearn中切割数据集的方法为train_test_split
查看函数文档可以在jupyter notebook里面使用train_test_split?后回车即可看到
分层和随机种子在参数里寻找

要从clear_data.csv和train.csv中提取train_test_split()所需的参数

from sklearn.model_selection import train_test_split

# 一般先取出X和y后再切割，有些情况会使用到未切割的，这时候X和y就可以用,x是清洗好的数据，y是我们要预测的存活数据'Survived'
X = data # 样本特征集
y = train['Survived'] # 样本标签集
# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0) # 参数意义见【参考】
# 查看数据形状
X_train.shape, X_test.shape

((668, 11), (223, 11))

【参考】sklearn的train_test_split()各函数参数含义解释（非常全）
https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html

【思考】

什么情况下切割数据集的时候不用进行随机选取

【思考回答】随机选取就是通过随机选取的样本来代表总体，这样样本具有随机性、代表性。可以不用随机选取的情况是数据集本身就足够随机，这种情况一般是随机处理后的。或者使用交叉验证法中的留一法处理数据。

任务二：模型创建

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

提示

逻辑回归不是回归模型而是分类模型，不要与LinearRegression混淆
随机森林其实是决策树集成为了降低决策树过拟合的情况
线性模型所在的模块为sklearn.linear_model
树模型所在的模块为sklearn.ensemble

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='warn', tol=0.0001, verbose=0,
                   warm_start=False)

# 查看训练集和测试集score值
print("Training set score: {:.3f}".format(lr.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(lr.score(X_test, y_test)))

Training set score: 0.805
Testing set score: 0.785

# 调整参数后的逻辑回归模型
lr2 = LogisticRegression(C=100) # C为正则化系数λ的倒数，这里取100，C值越大，对应的正则化越弱，越容易过拟合。
lr2.fit(X_train, y_train)

LogisticRegression(C=100, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='warn', tol=0.0001, verbose=0,
                   warm_start=False)

print("Training set score: {:.3f}".format(lr2.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(lr2.score(X_test, y_test)))

Training set score: 0.801
Testing set score: 0.794

【分析】可以看出与之前相比，训练集得分下降了，但是测试集得分上升了。这是调参确定惩罚项系数，目标是使得测试集的得分尽可能的高。

【注意】正则项系数初始值应该设置为多少，好像也没有一个比较好的准则。建议一开始将正则项系数λ设置为0，先确定一个比较好的learning rate。然后固定该learning rate，给λ一个值（比如1.0），然后根据validation accuracy，将λ增大或者减小10倍（增减10倍是粗调节，当你确定了λ的合适的数量级后，比如λ = 0.01,再进一步地细调节，比如调节为0.02，0.03，0.009之类。）

# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=None, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=10,
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)

print("Training set score: {:.3f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(rfc.score(X_test, y_test)))

Training set score: 0.979
Testing set score: 0.767

# 调整参数后的随机森林分类模型
rfc2 = RandomForestClassifier(n_estimators=100, max_depth=5)
rfc2.fit(X_train, y_train)

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=5, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=100,
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)

print("Training set score: {:.3f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(rfc2.score(X_test, y_test)))

Training set score: 0.864
Testing set score: 0.816

【分析】可以看出此题随机森林集成方法测试集比逻辑回归分数高很多，设置了更多的树的数量（10棵→100棵）和控制最大树深，这可以防止过拟合，测试效果果然有提升。

【参考】sklearn随机森林分类类RandomForestClassifier
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html

【思考】

为什么线性模型可以进行分类任务，背后是怎么的数学关系
对于多分类问题，线性模型是怎么进行分类的
【思考回答】

image.png

如果函数值小于0，我们就预测类别-1，如果函数值大于0，我们就预测类别+1。对于所有用于分类的线性模型，这个预测规则都是通用的。对于用于分类的线性模型，决策边界是输入的线性函数。换句话说，（二元）线性分类器是利用直线、平面或超平面来分开两个类别的分类器。
多分类的问题常常是使用差分策略，通过二分类学习来解决多分类问题，即将多分类问题拆解为多个二分类训练二分类学习器最后通过继承得到结果，最经典拆分策略有三种：“一对一”（OvO）、“一对其余”（OvR）和“多对多”（MvM），核心思想与示意图如下所示：

image.png

具体选择哪一种，要看具体情况下的存储和时间开销，以及性能高低。
一对一OvO:
假设训练集有四类样本，C1,C2,C3,C4，训练时两两组合为二分类进行训练，新样本通过这C2N个分类器后会得到N(N−1)/2个分类结果，最终结果可根据这些分类结果投票产生。
一对其余OvR:
训练时一个类作为正例，其余所有类作为反例。这样共有N个二分类器进行训练，新样本通过分类器时预测结果为正例的即为最终结果。
多对多MvM:
本质上讲前两种情况都是MvM的特殊情况。基本思路是训练集每一类通过多个分类器训练会产生一组编码结果，新样本通过分类器产生的编码结果与每个分类器的结果求距离，距离最短者即为最终结果。
【参考】线性模型-分类模型
周志华《机器学习》

任务三：输出模型预测结果

输出模型预测分类标签
输出不同分类标签的预测概率

提示3

一般监督模型在sklearn里面有个predict能输出预测标签，predict_proba则可以输出标签概率

# 预测标签
pred = lr.predict(X_train)
# 此时我们可以看到0和1的数组
pred[:10]

array([0, 1, 1, 1, 0, 0, 1, 0, 1, 1], dtype=int64)

# 预测标签概率
pred_proba = lr.predict_proba(X_train) # X训练集默认逻辑回归的预测标签概率
pred_proba[:10] #前十个预测标签的概率，列表里面的元素前一个是标签为0的概率，后面一个是标签为1的概率

array([[0.62018758, 0.37981242],
       [0.14977836, 0.85022164],
       [0.46179245, 0.53820755],
       [0.20586404, 0.79413596],
       [0.86543626, 0.13456374],
       [0.90619634, 0.09380366],
       [0.13401825, 0.86598175],
       [0.90068227, 0.09931773],
       [0.05921015, 0.94078985],
       [0.14323105, 0.85676895]])

【思考】

预测标签的概率对我们有什么帮助
【思考回答】预测标签的概率能够让我们判断该标签的可信度，越接近1的话可信度越高，如果接近0.5的话，可信度就不高了。

模型评估

根据之前的模型的建模，我们知道如何运用sklearn这个库来完成建模，以及我们知道了的数据集的划分等等操作。那么一个模型我们怎么知道它好不好用呢？以至于我们能不能放心的使用模型给我的结果呢？那么今天的学习的评估，就会很有帮助。

加载下面的库

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from IPython.display import Image
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.figsize'] = (10, 6)  # 设置输出图片大小

任务：加载数据并分割测试集和训练集

from sklearn.model_selection import train_test_split
# 一般先取出X和y后再切割，有些情况会使用到未切割的，这时候X和y就可以用,x是清洗好的数据，y是我们要预测的存活数据'Survived'
data = pd.read_csv('clear_data.csv')
train = pd.read_csv('train.csv')
X = data
y = train['Survived']
# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)
# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='warn', tol=0.0001, verbose=0,
                   warm_start=False)

模型评估

模型评估是为了知道模型的泛化能力。
交叉验证（cross-validation）是一种评估泛化性能的统计学方法，它比单次划分训练集和测试集的方法更加稳定、全面。
在交叉验证中，数据被多次划分，并且需要训练多个模型。
最常用的交叉验证是 k 折交叉验证（k-fold cross-validation），其中 k 是由用户指定的数字，通常取 5 或 10。
准确率（precision）度量的是被预测为正例的样本中有多少是真正的正例
召回率（recall）度量的是正类样本中有多少被预测为正类
f-分数是准确率与召回率的调和平均

【思考】：将上面的概念进一步的理解，大家可以做一下总结

【思考回答】：

--即使学习器在训练集上表现得很好，它在测试集上的表现也不一定很好，它可能把训练样本自身的一些特点当作潜在样本都会具有的一般性质，导致泛化能力下降，我们称之为过拟合。我们的实际目的其实是希望学习器能在新样本有很好的表现，这就要对模型的泛化能力进行模型评估。
--如何进行模型评估和选择？有几种常见的评估方法：
1.留出法
2.交叉验证法
3.自助法
--交叉验证是一种普遍的模型评估方法，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。
--交叉验证中常用的是k折交叉验证（k-fold cross-validation），通过对 k 个不同分组训练的结果进行平均来减少方差，因此模型的性能对数据的划分就不那么敏感。k通常取5或10。
--TP(True Positive)：被预测成了正类的正类，即正确预测的正类
FP(False Positive)：被预测成了正类的负类

TN(True Negetive)：被预测成了负类的负类，即正确预测的负类

FN(False Negetive)：被预测成了负类的正类

--准确率（precision）：在预测结果中，正确预测的正类数 / 预测为正类的数量 : TP / (TP+FP）
--召回率（Recall）：在预测结果中，正确预测的正类数 / 原本即为正类的数量 : TP / (TP+FN）
--f-分数：用precision和recall两个指标不直观，索性把他们合并为一个变量——F-measure：Recall * Precision * 2 / (Recall + Precision)（越大越好，1为理想状态，此时precision为1，recall为1）

任务一：交叉验证

用10折交叉验证来评估之前的逻辑回归模型
计算交叉验证精度的平均值

#提示：交叉验证
Image('Snipaste_2020-01-05_16-37-56.png')

image.png

提示4

交叉验证在sklearn中的模块为sklearn.model_selection

from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100) # C值100，正则项系数λ=0.01
scores = cross_val_score(lr, X_train, y_train, cv=10) # 逻辑回归，10折交叉验证，参数意义见参考
# k折交叉验证分数
scores

array([0.82352941, 0.77941176, 0.80597015, 0.82089552, 0.8358209 ,
       0.88059701, 0.72727273, 0.84848485, 0.75757576, 0.71212121])

# 平均交叉验证分数
print("Average cross-validation score: {:.3f}".format(scores.mean()))

Average cross-validation score: 0.799

【参考】
https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.cross_val_score.html

【思考】
k折越多的情况下会带来什么样的影响？
【思考回答】一般而言，k折越多，评估结果的稳定性和保真性越高，不过整个计算复杂度越高。一种特殊的情况是k=m，m为数据集样本个数，这种特例称为留一法，结果往往比较准确。

任务二：混淆矩阵

计算二分类问题的混淆矩阵
计算精确率、召回率以及f-分数
【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运用到什么任务中的

【思考回答】二分类问题的混淆矩阵是一个 2 维方阵，它主要用于评估二分类问题的好坏，如下图所示。它主要运用于二分类任务中。实际上，多分类问题依然可以转换为二分类问题进行处理。

#提示：混淆矩阵
Image('Snipaste_2020-01-05_16-38-26.png')

image.png

#提示：准确率 (Accuracy),精确度（Precision）,Recall,f-分数计算方法
Image('Snipaste_2020-01-05_16-39-27.png')

image.png

提示5

--混淆矩阵的方法在sklearn中的sklearn.metrics模块
--混淆矩阵需要输入真实标签和预测标签
--精确率、召回率以及f-分数可使用classification_report模块

from sklearn.metrics import confusion_matrix
# 训练模型
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)

LogisticRegression(C=100, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=100,
                   multi_class='warn', n_jobs=None, penalty='l2',
                   random_state=None, solver='warn', tol=0.0001, verbose=0,
                   warm_start=False)

# 模型预测结果
pred = lr.predict(X_train)
# 混淆矩阵
confusion_matrix(y_train, pred)

array([[350,  62],
       [ 71, 185]], dtype=int64)

from sklearn.metrics import classification_report
# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

              precision    recall  f1-score   support

           0       0.83      0.85      0.84       412
           1       0.75      0.72      0.74       256

    accuracy                           0.80       668
   macro avg       0.79      0.79      0.79       668
weighted avg       0.80      0.80      0.80       668

【思考】

如果自己实现混淆矩阵的时候该注意什么问题
【思考回答】在 scikit-learn 中, 计算混淆矩阵用来评估分类的准确度。
　　按照定义, 混淆矩阵 C 中的元素 Ci,j 等于真实值为组 i , 而预测为组 j 的观测数(the number of observations)。所以对于二分类任务, 预测结果中, 正确的负例数(true negatives, TN)为 C0,0; 错误的负例数(false negatives, FN)为 C1,0; 真实的正例数为 C1,1; 错误的正例数为 C0,1。
　　如果 labels 为 None, scikit-learn 会把在出现在 y_true 或 y_pred 中的所有值添加到标记列表 labels 中, 并排好序。

任务三：ROC曲线

绘制ROC曲线
【思考】什么是ROC曲线，ROC曲线的存在是为了解决什么问题？

【思考回答】ROC的全称是Receiver Operating Characteristic Curve，中文名字叫“受试者工作特征曲线”，顾名思义，其主要的分析方法就是画这条特征曲线。

![image.png](https://upload-images.jianshu.io/upload_images/26658740-55f2a1db0cbf6ef6.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

在ROC曲线图中，每个点以对应的FPR值为横坐标，以TPR值为纵坐标，其它符号的意义前面提过。

ROC曲线的存在主要用于衡量模型的泛化性能，即分类效果的好坏。

提示6

ROC曲线在sklearn中的模块为sklearn.metrics
ROC曲线下面所包围的面积越大越好

from sklearn.metrics import roc_curve
fpr, tpr, thresholds = roc_curve(y_test, lr.decision_function(X_test))
plt.plot(fpr, tpr, label="ROC Curve")
plt.xlabel("FPR")
plt.ylabel("TPR (recall)")
# 找到最接近于0的阈值
close_zero = np.argmin(np.abs(thresholds)) # 取得最接近0阈值的索引值
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10, label="threshold zero", fillstyle="none", c='k', mew=2)
plt.legend(loc=4)

image.png

【参考】https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_curve.html

思考6
对于多分类问题如何绘制ROC曲线
【思考回答】
经典的ROC曲线适用于对二分类问题进行模型评估，通常将它推广到多分类问题的方式有两种：
1.对于每种类别，分别计算其将所有样本点的预测概率作为阈值所得到的TPR和FPR值(是这种类别为正，其他类别为负)，最后将每个取定的阈值下，对应所有类别的TPR值和FPR值分别求平均，得到最终对应这个阈值的TPR和FPR值
2.首先，对于一个测试样本：1）标签只由0和1组成，1的位置表明了它的类别（可对应二分类问题中的“正”），0就表示其他类别（“负”）；2）要是分类器对该测试样本分类正确，则该样本标签中1对应的位置在概率矩阵P中的值是大于0对应的位置的概率值的。
上面的两个方法得到的ROC曲线是不同的，当然曲线下的面积AUC也是不一样的。在python中，方法1和方法2分别对应sklearn.metrics.roc_auc_score函数中参数average值为’macro’和’micro’的情况。

【思考】你能从这条ROC曲线的到什么信息？这些信息可以做什么？

【思考回答】根据曲线位置，把整个图划分成了两部分，曲线下方部分的面积被称为AUC（Area Under Curve），用来表示预测准确性，AUC值越高，也就是曲线下方面积越大，说明预测准确率越高。曲线越接近左上角（X越小，Y越大），预测准确率越高。对角线对应于“随机猜测”模型，而点(0,1)则对应于将所有正例排在所有反例之前的“理想模型”。从本图中看，ROC曲线在对角线之上，肯定比“随机猜测”模型要好。

Hands on data analysis(模型搭建与评价)

第三章模型搭建和评估–建模

模型搭建

任务一：切割训练集和测试集

任务提示1

任务二：模型创建

提示

任务三：输出模型预测结果

提示3

模型评估

任务：加载数据并分割测试集和训练集

模型评估

任务一：交叉验证

提示4

任务二：混淆矩阵

提示5

任务三：ROC曲线

提示6

你可能感兴趣的:(Hands on data analysis(模型搭建与评价))

Hands on data analysis(模型搭建与评价)

第三章 模型搭建和评估–建模

模型搭建

任务一：切割训练集和测试集

任务提示1

任务二：模型创建

提示

任务三：输出模型预测结果

提示3

模型评估

任务：加载数据并分割测试集和训练集

模型评估

任务一：交叉验证

提示4

任务二：混淆矩阵

提示5

任务三：ROC曲线

提示6

你可能感兴趣的:(Hands on data analysis(模型搭建与评价))

第三章模型搭建和评估–建模