机器学习-模型评估优化

过拟合与欠拟合

任务：
拟合反应速率（rate）与温度（temperature）数据，预测85度时的反应速率


欠拟合

过拟合

例2：


欠拟合

过拟合

欠拟合与过拟合
模型不合适，导致其无法对数据实现有效预测
模型对数据的预测情况

	训练数据	预测数据
欠拟合	不准确	不准确
过拟合	准确	不准确
好模型	准确	准确

欠拟合可以通过观察训练数据及时发现，通过优化模型结果解决
如何解决过拟合问题
原因：

• 模型结构过于复杂（维度过高）
• 使用了过多属性，模型训练时包含了干扰项信息

解决办法：

• 简化模型结构（使用低阶模型，比如线性模型）
• 数据预处理，保留主成分信息（数据PCA处理）
• 在模型训练时，增加正则化项（regularization）

增加正则项

数据分离与混淆矩阵

建立模型的意义，不在于对训练数据做出准确预测，更在与对新数据的准确预测
对全数据进行数据分离，部分用于训练，部分用于新数据的结果预测
分离训练数据与测试数据

1. 把数据分成两部分：训练集、测试集
2. 使用训练集数据进行模型训练
3. 使用测试集数据进行预测，更有效地评估模型对于新数据的预测表现

混淆矩阵（Confusion Matrix）
分类任务中，计算测试数据集预测准确率（accuracy）以评估模型表现
局限性：无法真实反映模型针对各个分类的预测准确度
准确率可以方便的用于衡量模型的整体预测效果，但无法反应细节信息，具体表现在：

• 没有体现数据预测的实际分布情况
• 没有体现模型的错误预测的类型

混淆矩阵，又称为误差矩阵，用于衡量分类算法的准确程度

通过混淆矩阵，计算更丰富的模型评估指标

特点：

• 分类任务中，相比单一的预测准确率，混淆矩阵提供了更全面的模型评估信息（TP\TN\FP\FN）
• 通过混淆矩阵，我们可以计算出多样的模型表现衡量指标，从而更好地选择模型

衡量指标的选择取决于应用场景

• 垃圾邮件检测（正样本为“垃圾邮件”）：希望普通邮件（负样本）不要被判断为垃圾邮件（正样本），即：判断为垃圾邮件的样本都是判断正确的，需要关注精确率，还希望所有的垃圾邮件尽可能被判断出来，需要关注召回率
• 异常交易检测（正样本为“异常交易”）：希望判断为正常的交易（负样本）中尽可能不存在异常交易，还需要工作特异度

模型优化

数据质量决定模型表现的上限

• 数据属性的意义，是否为无关数据
• 不同属性数据的数量级差异性如何
• 是否有异常数据
• 采集数据的方法是否合理，采集到的数据是否有代表性
• 对于标签结果，要确保标签判定规则的一致性（统一标准）

数据操作：

• 删除不必要的属性 - 减少过拟合、节约运算时间
• 数据预处理：归一化、标准化 - 平衡数据影响，加快训练收敛
• 确定是否保留或过滤掉异常数据 - 提高鲁棒性
• 尝试不同的模型，对比模型表现 - 帮助确定更合适的模型

目标：
在确定模型类别后，如何让模型表现更好、
三方面：数据、模型核心参数、正则化
尝试以下方法：

• 遍历核心参数组合，评估对应模型表现（比如：逻辑回归边界函数考虑多项式、KNN尝试不同的n_neighbors值）
• 扩大数据样本
• 增加或减少数据属性
• 对数据进行降维处理
• 对模型进行正则化处理，调整正则项的数值

选择使用KNN模型，尝试不同n_neighbors值对结果的影响

• KNN模型中，模型复杂度由n_neighbors值决定
• n_neighbors值越小，模型复杂度越高

训练数据集准确率 随着模型复杂而提高
测试数据集准确率 在模型过于简单或过于复杂的情况时下降

实战准备

实战-酶活性预测

生成新数据并用于预测

X_range = np.linspace(40,90,300).reshape(-1,1)
y_range_predict = lr1.predict(X_range)

生成多项式（二次）数据：

from sklearn.preprocessing import PolynomialFeatures
poly2=PolynomialFeatures(degree=2)
X_2_train = poly2.fit_transform(X_train)
X_2_test = poly2.transform(X_test)

实战-质量好坏预测

数据分离

from skklearn.model_selection import train_test_split
X_train,X_test,Y_train,y_test = train_test_split(X,y,random_state=4,test_size=0.4)

生成决策区域数据：

xx,yy = np.meshgrid(np.arange(0,10,0.05),np.arange(0,10,0.05))
x_range = np.c_[xx.ravel(),yy.ravel()]
y_range_predict = knn.predict(x_range)

可视化决策区域

bad_knn = plt.scatter(x_range[:,0][y_range_predict==0],x_range[:,1][y_range_predict==0])
good_knn = plt.scatter(x_range[:,0][y_range_predict==1],x_range[:,1][y_range_predict==1])

计算混淆矩阵：

from sklearn.metrics import confusion_matrix
cm= = confusion_matrix(y_test,y_test_predict)
TP = cm[1,1]
TN = cm[0,0]
FP = cm[0,1]
FN = cm[1,0]

实战-酶活性预测

1. 基于T-R-train.csv数据，建立线性回归模型，计算其在T-R-test.csv数据上的r2分数，可视化模型预测结果
2. 加入多项式特征（2次、5次），建立回归模型
3. 计算多项式回归模型对测试数据进行预测的r2分数，判断哪个模型预测更准确
4. 可视化多项式回归模型数据预测结果，判断哪个模型预测更准确

导包加载数据

import pandas as pd
import numpt as np
data_train = pd.read_csv('T-R-train.csv')

赋值

X_train = data_train.loc[:,'T']
y_train = data_train.loc[:,'rate']

可视化

from matplotlib import pyplot as plt
fig1 = plt.figure(figsize=(5,5))
plt.scatter(X_train,y_train)
plt.title('raw data')
plt.xlabel('temperature')
plt.ylabel('rate')
plt.show()

线性回归

X_train = np.array(X_train).reshape(-1,1)
from sklearn.linear_model import LinearRegression
lr1 = LinearRegression()
lr1.fit(X_train,y_train)

加载测试数据

data_test = pd.read_csv('T-R-test.csv')
X_test = data_test.loc[:,'T']
y_test = data_test.loc[:,'rate']

计算r2分数

X_test = np.array(X_test).reshape(-1,1)
y_train_predict = lr1.predict(X_train)
y_test_predict = lr1.predict(X_test)
from sklearn.metrics import r2_score
r2_train = r2_score(y_train,y_train_predict)
r2_test = r2_score(y_test,y_test_predict)
print('training r2:',r2_train)
print('test r2',r2_test)

可视化模型预测结果

X_range = np.linspace(40,90,300).reshape(-1,1)
y_range_predict = lr1.predict(X_range)
fig2=plt.figure(figsize=(5,5))
plt.plot(X_range,y_range_predict)
plt.scatter(X_train,y_train)
plt.title('prediction data')
plt.xlabel('trediction data')
plt.ylabel('rate')
plt.show()

多项式模型

from sklearn.preprocessing import PolynomialFeatures
poly2 = PolynomialFeatures(degree=2)
X_2_train = poly2.fit_transform(X_train)
X_2_test = poly2.transform(X_test)

r2分数

lr2 = LinearRegression()
lr2.fit(X_2_train,y_train)
y_2_train_predict = lr2.predict(X_2_train)
y_2_test_predict = lr2.predict(X_2_test)
r2_2_train = r2_score(y_train,y_2_train_predict)
r2_2_test = r2_score(y_test,y_2_test_predict)
print('training r2_2:',r2_2_train)
print('test r2_2',r2_2_test)

可视化

X_2_range = np.linspace(40,90,300).reshape(-1,1)
X_2_range = poly2.transform(X_2_range)
y_2_range_predict = lr2.predict(X_2_range)

fi3=plt.figure(figsize=(5,5))
plt.plot(X_range,y_2_range_predict)
plt.scatter(X_train,y_train)
plt.scatter(X_test,y_test)
plt.title('polynomial prediction resilt(2)')
plt.xlabel('temperature')
plt.ylabel('rate')
plt.show()

5次多项式

from sklearn.preprocessing import PolynomialFeatures
poly5 = PolynomialFeatures(degree=5)
X_5_train = poly5.fit_transform(X_train)
X_5_test = poly5.transform(X_test)

lr5 = LinearRegression()
lr5.fit(X_5_train,y_train)
y_5_train_predict = lr5.predict(X_5_train)
y_5_test_predict = lr5.predict(X_5_test)
r2_5_train = r2_score(y_train,y_5_train_predict)
r2_5_test = r2_score(y_test,y_5_test_predict)
print('training r2_5:',r2_5_train)
print('test r2_5',r2_5_test)

X_5_range = np.linspace(40,90,300).reshape(-1,1)
X_5_range = poly5.transform(X_5_range)
y_5_range_predict = lr5.predict(X_5_range)

fi4=plt.figure(figsize=(5,5))
plt.plot(X_range,y_5_range_predict)
plt.scatter(X_train,y_train)
plt.scatter(X_test,y_test)
plt.title('polynomial prediction resilt(5)')
plt.xlabel('temperature')
plt.ylabel('rate')
plt.show()

实战-质量好坏预测

1. 基于data_class_raw.csv数据，根据高斯分布概率密度函数，寻找异常点并剔除
2. 基于data_class_processed.csv数据，进行PCA处理，确定重要数据维度及成分
3. 完成数据分离，数据分离参数：random_state=4,test_size=0.4
4. 建立KNN模型完成分类，n_neighbors取10，计算分类准确率，可视化分类边界
5. 计算测试数据集对应的混淆矩阵，计算准确率、召回率、特异度、精确率、F1分数
6. 尝试不同的n_neighbors(1-20)，计算其在训练数据集、测试数据集上的准确率并作图

导包 加载数据

import pandas as pd
import numpy as np
data = pd.read_csv('data_class_raw.csv')

赋值

X=data.drop(['y'],axis=1)
y=data.loc[:,'y']

可视化

from matplotlib import pyplot as plt
fig1 = plt.figure(figsize=(5,5))
bad = plt.scatter(X.loc[:,'x1'][y==0],X.loc[:,'x2'][y==0])
good = plt.scatter(X.loc[:,'x1'][y==1],X.loc[:,'x2'][y==1])
plt.legend((good,bad),('good','bad'))
plt.title('raw data')
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()

异常检测

from sklearn.covariance import EllipticEnvelope
ad_model = EllipticEnvelope(contamination=0.02)
ad_model.fit(X[y==0])
y_predict_bad = ad_model.predict(X[y==0])

可视化

fig2 = plt.figure(figsize=(5,5))
bad = plt.scatter(X.loc[:,'x1'][y==0],X.loc[:,'x2'][y==0])
good = plt.scatter(X.loc[:,'x1'][y==1],X.loc[:,'x2'][y==1])
plt.scatter(X.loc[:,'x1'][y==0][y_predict_bad==-1],X.loc[:,'x2'][y==0][y_predict_bad==-1],marker='x',s=150)
plt.legend((good,bad),('good','bad'))
plt.title('raw data')
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()

加载数据并赋值

data = pd.read_csv('data_class_processed.csv')
data.head()
#define X and y
X = data.drop(['y'],axis=1)
y = data.loc[:,'y']

PCA

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
X_norm = StandardScaler().fit_transform(X)
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X_norm)
var_ratio = pca.explained_variance_ratio_
print(var_ratio)
fig4 = plt.figure(figsize=(5,5))
plt.bar([1,2],var_ratio)
plt.show()

数据分离

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,random_state=4,test_size=0.4)
print(X_train.shape,X_test.shape,X.shape)

KNN
模型训练 计算分类准确率

#knn model
from sklearn.neighbors import KNeighborsClassifier
knn_10 = KNeighborsClassifier(n_neighbors=10)
knn_10.fit(X_train,y_train)
y_train_predict = knn_10.predict(X_train)
y_test_predict = knn_10.predict(X_test)

#calculate the accuracy
from sklearn.metrics import accuracy_score
accuracy_train = accuracy_score(y_train,y_train_predict)
accuracy_test = accuracy_score(y_test,y_test_predict)
print("trianing accuracy:",accuracy_train)
print('testing accuracy:',accuracy_test)

可视化分类边界

xx, yy = np.meshgrid(np.arange(0,10,0.05),np.arange(0,10,0.05))
x_range = np.c_[xx.ravel(),yy.ravel()]
y_range_predict = knn_10.predict(x_range)

fig4 = plt.figure(figsize=(10,10))
knn_bad = plt.scatter(x_range[:,0][y_range_predict==0],x_range[:,1][y_range_predict==0])
knn_good = plt.scatter(x_range[:,0][y_range_predict==1],x_range[:,1][y_range_predict==1])
bad = plt.scatter(X.loc[:,'x1'][y==0],X.loc[:,'x2'][y==0])
good = plt.scatter(X.loc[:,'x1'][y==1],X.loc[:,'x2'][y==1])
plt.legend((good,bad,knn_good,knn_bad),('good','bad','knn_good','knn_bad'))
plt.title('prediction result')
plt.xlabel('x1')
plt.ylabel('x2')
plt.show()

计算测试数据集对应的混淆矩阵，计算准确率、召回率、特异度、精确率、F1分数

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test,y_test_predict)
print(cm)

赋值

TP = cm[1,1]
TN = cm[0,0]
FP = cm[0,1]
FN = cm[1,0]
print(TP,TN,FP,FN)

准确率

accuracy = (TP + TN)/(TP + TN + FP + FN)
print(accuracy)

召回率

recall = TP/(TP + FN)
print(recall)

特异度

specificity = TN/(TN + FP)
print(specificity)

精确率

precision = TP/(TP + FP)
print(precision)

F1分数

f1 = 2*precision*recall/(precision+recall)
print(f1)

尝试不同的n_neighbors(1-20)，计算其在训练数据集、测试数据集上的准确率并作图

n = [i for i in range(1,21)]
accuracy_train = []
accuracy_test = []
for i in n:
    knn = KNeighborsClassifier(n_neighbors=i)
    knn.fit(X_train,y_train)
    y_train_predict = knn.predict(X_train)
    y_test_predict = knn.predict(X_test)
    accuracy_train_i = accuracy_score(y_train,y_train_predict)
    accuracy_test_i = accuracy_score(y_test,y_test_predict)
    accuracy_train.append(accuracy_train_i)
    accuracy_test.append(accuracy_test_i)
print(accuracy_train,accuracy_test)

可视化

fig5 = plt.figure(figsize=(12,5))
plt.subplot(121)
plt.plot(n,accuracy_train,marker='o')
plt.title('training accuracy vs n_neighbors')
plt.xlabel('n_neighbors')
plt.ylabel('accuracy')
plt.subplot(122)
plt.plot(n,accuracy_test,marker='o')
plt.title('testing accuracy vs n_neighbors')
plt.xlabel('n_neighbors')
plt.ylabel('accuracy')

plt.show()