Datawhale 数据分析 第四次任务 模型搭建

下面我们将搭建一个预测模型，运用机器学习的方式来为泰坦尼克船只做一个预测，我们在测试集的数据中来预测哪些乘客将会存活，哪些乘客将遭遇不幸。然后我们会对我们的模型做一个评价。
这一章的内容可以学习到数据建模以及模型评价的知识，算是进阶的内容，为之后的数据分析课程打下基础。

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
# 读取训练数集
train = pd.read_csv('train.csv')
train.shape
#(891, 12)
train.head()

特征工程

这一部分是对之前的学习内容的简单回顾

任务一：缺失值填充

1. 对分类变量缺失值：填充某个缺失值字符(NA)、用最多类别的进行填充
2. 对连续变量缺失值：填充均值、中位数、众数

# 对分类变量进行填充
train['Cabin'] = train['Cabin'].fillna('NA')
train['Embarked'] = train['Embarked'].fillna('S')
# 对连续变量进行填充
train['Age'] = train['Age'].fillna(train['Age'].mean())
# 检查缺失值比例
train.isnull().mean().sort_values(ascending=False)

任务二：编码分类变量

# 取出所有的输入特征
data = train[['Pclass','Sex','Age','SibSp','Parch','Fare', 'Embarked']]
# 进行虚拟变量转换
data = pd.get_dummies(data)
data.head()

模型搭建

1. 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
2. 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
3. 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
4. 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

思考

1. 数据集哪些差异会导致模型在拟合数据是发生变化

# sklearn模型算法选择路径图
Image('20170624105439491.png')

任务一：切割训练集和测试集

1. 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%)
2. 按目标变量分层进行等比切割
3. 设置随机种子以便结果能复现
   提示
4. 切割数据集是为了后续能评估模型泛化能力
5. sklearn中切割数据集的方法为train_test_split
6. 查看函数文档可以在jupyter noteboo里面使用train_test_split? 后回车即可看到
7. 分层和随机种子在参数里寻找
   思考
8. 什么情况下切割数据集的时候不用进行随机选取

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
#((668, 10), (223, 10))

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. 查看模型的参数，并更改参数值，观察模型变化
   提示
4. 逻辑回归不是回归模型而是分类模型，不要与LinearRegression 混淆
5. 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
6. 线性模型所在的模块为sklearn.linear_model
7. 树模型所在的模块为sklearn.ensemble
   思考
8. 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
9. 对于多分类问题，线性模型是怎么进行分类的

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
lr = LogisticRegression()
lr.fit(x_train, y_train)
##查看其对应模型的w
print('the weight of Logistic Regression:',lr.coef_)#coef_是回归模型中得权重属性
##查看其对应模型的w0
print('the intercept(w0) of Logistic Regression:',lr.intercept_)
#the weight of Logistic Regression: [[-1.04269474 -0.04009071 -0.34569202 -0.07108056  0.00289888  2.24271265
  -0.49927975  0.71844998  0.63009996  0.39488296]]
the intercept(w0) of Logistic Regression: [2.10166232]
print("Training set score:", lr.score(x_train, y_train))
print('Testing set score:', lr.score(x_test, y_test))
## Training set score: 0.8023952095808383
## Testing set score: 0.7847533632286996

# 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:", lr2.score(x_train, y_train))
print("Testing set score: ", lr2.score(x_test, y_test))
## Training set score: 0.8053892215568862
## Testing set score:  0.7847533632286996

rfc = RandomForestClassifier()
rfc.fit(x_train, y_train)

print("Training set score:", rfc.score(x_train, y_train))
print("Testing set score: ", rfc.score(x_test, y_test))
Training set score: 0.9865269461077845
Testing set score:  0.8071748878923767

# 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: ",rfc2.score(x_train, y_train))
print("Testing set score: ",rfc2.score(x_test, y_test))
## Training set score:  0.8562874251497006
## Testing set score:  0.8251121076233184

任务三：输出模型预测结果

1. 输出模型预测分类标签
2. 输出不同分类标签的预测概率
   提示
   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
   思考
3. 预测标签的概率对我们有什么帮助

# 预测标签
pred = lr.predict(x_train)
pred[:10]
## array([0, 1, 1, 1, 0, 0, 1, 0, 1, 1], dtype=int64)
pred_proba = lr.predict_proba(x_train)
pred_proba[:10]

模型评估

1. 模型评估是为了知道模型的泛化能力。
2. 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。
3. 在交叉验证中，数据被多次划分，并且需要训练多个模型。
4. 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。
5. 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
6. 召回率（recall）度量的是正类样本中有多少被预测为正类
7. f-分数是准确率与召回率的调和平均

任务一：交叉验证

1. 用10折交叉验证来评估逻辑回归模型
2. 计算交叉验证精度的平均值
   
   提示
3. 交叉验证在sklearn中的模块为sklearn.model_selection
   思考
4. k折越多的情况下会带来什么样的影响？

from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C = 100)
scores = cross_val_score(lr, x_train, y_train, cv = 10)
scores

print("Average cross-validation score:", scores.mean())
## Average cross-validation score: 0.7976933514246948

任务二：混淆矩阵

1.计算二分类问题的混淆矩阵
2. 计算精确率、召回率以及f-分数


提示

1. 混淆矩阵的方法在sklearn中的sklearn.metrics 模块
2. 混淆矩阵需要输入真实标签和预测标签
   思考
3. 如果自己实现混淆矩阵的时候该注意什么问题

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

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

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

ROC曲线

提示

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

思考

1. 对于多分类问题如何绘制ROC曲线

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))
plt.plot(fpr[close_zero], tpr[close_zero], 'o', markersize=10, label="threshold zero",
fillstyle="none", c='k', mew=2)
plt.legend(loc=4)