数据建模及模型评估
1.导入使用的包和数据
导包
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
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
读取数据集
train = pd.read_csv('train.csv')
train.shape
train.head()
2.特征工程
缺失值填充
分类变量缺失值：填充某个缺失值字符(NA)、用最多类别的进行填充
train['Cabin'] = train['Cabin'].fillna('NA')
train['Embarked'] = train['Embarked'].fillna('S')
连续变量缺失值：填充均值、中位数、众数
train['Age'] = train['Age'].fillna(train['Age'].mean())
检查缺失值比例
train.isnull().sum().sort_values(ascending=False)
编码分类变量
data = train[['Pclass','Sex','Age','SibSp','Parch','Fare', 'Embarked']]
data = pd.get_dummies(data)
data.head()
3.模型搭建
选择合适的模型，选择模型前，先知道数据集最终是进行监督学习还是无监督学习，根据数据样本量以及特征的稀疏性来选择模型。
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。
数据集导致模型在拟合数据发生变化的因素
样本数量、数据类别是否明确、数据是否已标记、数据特征维度。
sklearn模型算法选择路径图
切割训练集和测试集
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%)
按目标变量分层进行等比切割，设置随机种子以便结果能复现
切割数据集是为了后续能评估模型泛化能力
from sklearn.model_selection import train_test_split
X = data
y = train['Survived']
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)
X_train.shape, X_test.shape
sklearn之train_test_split()函数各参数含义
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,可以为浮点、整数或None，默认为None
①若为浮点时，表示测试集占总样本的百分比
②若为整数时，表示测试样本样本数
③若为None时，test size自动设置成0.25
train_size：可以为浮点、整数或None，默认为None
①若为浮点时，表示训练集占总样本的百分比
②若为整数时，表示训练样本的样本数
③若为None时，train_size自动被设置成0.75
random_state：可以为整数、RandomState实例或None，默认为None
①若为None时，每次生成的数据都是随机，可能不一样
②若为整数时，每次生成的数据都相同
stratify：可以为类似数组或None
①若为None时，划分出来的测试集或训练集中，其类标签的比例也是随机的
②若不为None时，划分出来的测试集或训练集中，其类标签的比例同输入的数组中类标签的比例相同，可以用于处理不均衡的数据集
切割数据集的时候不用进行随机选取的情况
在数据集本身已经是随机处理之后的，或者说数据集非常大，内部已经足够随机。
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）
查看模型的参数，并更改参数值，观察模型变化
逻辑回归不是回归模型而是分类模型
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
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)
print("Training set score: {:.2f}".format(lr.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr.score(X_test, y_test)))
调整参数后的逻辑回归模型
lr2 = LogisticRegression(C=100)
lr2.fit(X_train, y_train)
print("Training set score: {:.2f}".format(lr2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr2.score(X_test, y_test)))
默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
print("Training set score: {:.2f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc.score(X_test, y_test)))
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)
print("Training set score: {:.2f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc2.score(X_test, y_test)))
线性模型可以进行分类任务的数学关系
逻辑回归主要用于分类，与线性回归模型都是线性模型。
线性回归是普通线性模型，逻辑回归是广义线性模型。
表达形式上，逻辑回归是线性回归套上了一个Sigmoid函数。
线性模型对于多分类问题进行分类的方法
将多个二分类的逻辑回归进行组合，即可实现多分类。
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
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
pred = lr.predict(X_train)
pred[:10]
pred_proba = lr.predict_proba(X_train)
pred_proba[:10]
预测标签的概率对我们有什么帮助
4.模型评估
模型评估是为了知道模型的泛化能力。
交叉验证是一种评估泛化性能的统计学方法，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，其中 k 是由用户指定的数字，通常取 5 或 10。
准确率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。
交叉验证
用10折交叉验证来评估逻辑回归模型
计算交叉验证精度的平均值
k折交叉验证分数
from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)
scores
平均交叉验证分数
print("Average cross-validation score: {:.2f}".format(scores.mean()))
k折越多的情况下会带来的影响
模型的偏差会偏小，方差偏大。
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
混淆矩阵就是误差矩阵，是表示进度评价的一种标准格式，通常用n行n列的矩阵形式表示。
混淆矩阵需要输入真实标签和预测标签。
模型预测结果
from sklearn.metrics import confusion_matrix
lr.fit(X_train, y_train)
混淆矩阵
pred = lr.predict(X_train)
confusion_matrix(y_train, pred)
精确率、召回率以及f1-score
print(classification_report(y_train, pred))
ROC曲线
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)")
close_zero = np.argmin(np.abs(thresholds))
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10, label="threshold zero", fillstyle="none", c='k', mew=2)
plt.legend(loc=4)
对于多分类问题绘制ROC曲线
方法1：每种类别下，都可以得到m个测试样本为该类别的概率。根据概率矩阵P和标签矩阵L中对应的每一列，可以计算出各个阈值下的假正例率（FPR）和真正例率（TPR），从而绘制出一条ROC曲线。总共可以绘制出n条ROC曲线。最后对n条ROC曲线取平均，即可得到最终的ROC曲线。
方法2：首先，对于一个测试样本：标签只由0和1组成，1的位置表明了它的类别，0就表示其他类别如果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。基于这两点，将标签矩阵L和概率矩阵P分别按行展开，转置后形成两列，这就得到了一个二分类的结果。此方法经过计算后可以直接得到最终的ROC曲线。
DataWhale开源学习资料：
https://github.com/datawhalechina/hands-on-data-analysis