二、一个完整的机器学习项目

机器学习八股

  1. 项目概述
  2. 获取数据
  3. 发现并可视化数据,发现规律
  4. 为机器学习算法准备数据
  5. 选择模型,进行训练
  6. 微调模型
  7. 给出解决方案
  8. 部署、监控、维护系统

1 项目概述

利用加州普查数据,建立一个加州房价模型
这个数据包含每个街区组的人口、收入中位数、房价中位数等指标
模型要利用这个数据进行学习,然后根据其它指标,预测任何街区的的房价中位数

1.1 划分问题

监督学习
回归任务
批量学习

1.2 选择性能指标

均方根误差
平方绝对误差

1.3 核实检验

确信他们需要的就是实际的价格,而不是分类

2 获取数据

2.1 创建工作空间

virtualenv

2.2 下载数据

获取数据自动化的fetch_housing_data函数

tarfile
os.path
os.path.makedirs

import os
import tarfile
import urllib
import urllib.request

DOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
HOUSING_PATH = os.path.join("datasets", "housing") # 把目录和文件名合成一个路径
HOUSING_URL = DOWNLOAD_ROOT + "datasets/housing/housing.tgz"

def fetch_housing_data(housing_url=HOUSING_URL, housing_path=HOUSING_PATH):
    if not os.path.isdir(housing_path): # 判断路径是否为目录
        os.makedirs(housing_path) # 递归创建目录
    tgz_path = os.path.join(housing_path, "housing.tgz")
    urllib.request.urlretrieve(housing_url, tgz_path) # 将URL检索到磁盘上的临时位置
    housing_tgz = tarfile.open(tgz_path) # 打开
    housing_tgz.extractall(path=housing_path) # 解压
    housing_tgz.close() # 关闭

fetch_housing_data()

在这里插入图片描述

加载数据的load_housing_data函数

import pandas as pd

def load_housing_data(housing_path=HOUSING_PATH):
    csv_path = os.path.join(housing_path, "housing.csv")
    return pd.read_csv(csv_path) # 加载数据

housing = load_housing_data()
housing.head()

2.3 快速查看数据结构

总行数、属性类型和非空值的个数

housing.info()

在这里插入图片描述
总房间数只有20433个非空值 -> 缺失值处理
在这里插入图片描述

查看距离大海距离列类别

housing['ocean_proximity'].value_counts()

在这里插入图片描述

展示数据属性概括

housing.describe()

在这里插入图片描述

画出每个数值属性的直方图

housing.hist(bins=50, figsize=(20, 16))

在这里插入图片描述

  1. 收入中位数不是美元(预处理过)
  2. 房屋年龄中位数和房屋价值中位数(目标属性)都被设了上限
  3. 属性值度量不统一(特征缩放)

2.4 创建测试集

设置随机生成树种子

import numpy as np
np.random.seed(42)

切割数据集(仅供说明)

backup = housing.copy() # 副本

def split_train_test(data, test_ratio):
    shuffled_indices = np.random.permutation(len(data))
    test_set_size = int(len(data) * test_ratio)
    test_indices = shuffled_indices[:test_set_size]
    train_indices = shuffled_indices[test_set_size:]
    return data.iloc[train_indices], data.iloc[test_indices]

train_set, test_set = split_train_test(housing, 0.2)
print('train_set', len(train_set))
print('test_set', len(test_set))

在这里插入图片描述

hashlib.md5 # md5算法
hash.digeset() # 返回update()到目前为止传递给该方法的数据的摘要。
这是一个字节对象,其大小digest_size可能包含从0到255的整个范围内的字节

使用每个实例的ID来判 定这个实例是否应该放入测试集(假设每个实例都有唯一并且不变的ID)。
计算出每个实例ID的哈希值,只保留其最后一个字节,如果该值小于等于 51(约为 256 的 20%),就将其放入测试集。
这样可以保证在多次运行中,测试集保持不变,即使更新了数据集。
新的测试集会包含新实例中的20%,但不会有之前位于训练集的实例。

housing = backup
housing

在这里插入图片描述

import hashlib

def test_set_check(identifier, test_ratio, hash=hashlib.md5): # md5算法
    return hash(np.int64(identifier)).digest()[-1] < 256 * test_ratio

def split_train_test_by_id(data, test_ratio, id_column): 
    ids = data[id_column]
    in_test_set = ids.apply(lambda id_: test_set_check(id_, test_ratio)) # 应用函数
    return data.loc[~in_test_set], data.loc[in_test_set] # 布尔索引

行索引作为ID

housing_with_id = housing.reset_index() # 设置索引
train_set, test_set = split_train_test_by_id(housing_with_id, 0.2, "index")

test_set[['index']]

在这里插入图片描述

维度+经度结合生成一个ID

housing_with_id["id"] = housing["longitude"] * 1000 + housing["latitude"] 
train_set, test_set = split_train_test_by_id(housing_with_id, 0.2, "id")

test_set[['index', 'id']]

在这里插入图片描述

切割数据集

from sklearn.model_selection import train_test_split

train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

test_set.head()

在这里插入图片描述

收入中位数是预测房价的重要属性

housing["median_income"].hist()

在这里插入图片描述

创建收入类别属性 #1 对收入中位数数据进行处理(数据离散化)
pd.cut # 将Bin值转换为离散区间

housing["income_cat"] = pd.cut(housing["median_income"], 
                               bins=[0., 1.5, 3.0, 4.5, 6., np.inf],
                               labels=[1, 2, 3, 4, 5])
housing["income_cat"].value_counts()

在这里插入图片描述

housing["income_cat"].hist()

在这里插入图片描述

收入类别属性 #2
np.ceil
pd.DataFrame.where

backup2 = housing["income_cat"].copy

housing["income_cat"] = np.ceil(housing['median_income'] / 1.5) # 收入类别属性
housing["income_cat"].where(housing['income_cat'] < 5, 5.0, inplace=True)

housing["income_cat"].value_counts()

在这里插入图片描述

housing["income_cat"].hist()

在这里插入图片描述

分层采样
sklearn.model_selection.StratifiedShuffleSplit

from sklearn.model_selection import StratifiedShuffleSplit

split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
for train_index, test_index in split.split(housing, housing["income_cat"]):
    strat_train_set = housing.loc[train_index]
    strat_test_set = housing.loc[test_index]

检查结果是否符合预期
查看数据集中收入分类比例

strat_test_set["income_cat"].value_counts() / len(strat_test_set)

在这里插入图片描述

housing["income_cat"].value_counts() / len(housing)

在这里插入图片描述

分层采样和纯随机采样的样本偏差比较

def income_cat_proportions(data):
    return data["income_cat"].value_counts() / len(data)

train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

compare_props = pd.DataFrame({
    "Overall": income_cat_proportions(housing),
     "Random": income_cat_proportions(test_set),
    "Stratified": income_cat_proportions(strat_test_set)   
}).sort_index()
compare_props["Rand. %error"] = 100 * compare_props["Random"] / compare_props["Overall"] - 100
compare_props["Strat. %error"] = 100 * compare_props["Stratified"] / compare_props["Overall"] - 100

compare_props

在这里插入图片描述

删除income_cat属性,使数据回到初始状态

for set_ in (strat_train_set, strat_test_set):
	set_.drop("income_cat", axis=1, inplace=True)

3 数据探索和可视化、发现规律

3.1 地理数据可视化

创建副本,以免损伤训练集

housing = strat_train_set.copy()

数据地理位置信息散点图

housing.plot(kind="scatter", x="longitude", y="latitude")

在这里插入图片描述

显示高密度区域的散点图

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.1)

在这里插入图片描述

加州房价

import matplotlib.pyplot as plt

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.4,
    s=housing["population"]/100, label="population", figsize=(10,7), # s: 每个圈的半径表示街区的人口
    c="median_house_value", cmap=plt.get_cmap("jet"), colorbar=True, # c: 颜色代表价格  cmp: jet颜色图
    sharex=False)
plt.legend()

在这里插入图片描述

下载California地图图片

images_path = os.path.join("images", "end_to_end_project")
os.makedirs(images_path, exist_ok=True)
DOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
filename = "california.png"
print("Downloading", filename)
url = DOWNLOAD_ROOT + "images/end_to_end_project/" + filename
urllib.request.urlretrieve(url, os.path.join(images_path, filename))

查看图片

import matplotlib.image as mpimg

california_img=mpimg.imread(os.path.join(images_path, filename))
plt.imshow(california_img, extent=[-124.55, -113.80, 32.45, 42.05], alpha=0.5,
           cmap=plt.get_cmap("jet"))

在这里插入图片描述

california_img=mpimg.imread(os.path.join(images_path, filename))
ax = housing.plot(kind="scatter", x="longitude", y="latitude", figsize=(10,7),
                       s=housing['population']/100, label="Population",
                       c="median_house_value", cmap=plt.get_cmap("jet"),
                       colorbar=False, alpha=0.4,
                      )
plt.imshow(california_img, extent=[-124.55, -113.80, 32.45, 42.05], alpha=0.5,
           cmap=plt.get_cmap("jet"))
plt.ylabel("Latitude", fontsize=14)
plt.xlabel("Longitude", fontsize=14)

prices = housing["median_house_value"]
tick_values = np.linspace(prices.min(), prices.max(), 11)
cbar = plt.colorbar()
cbar.ax.set_yticklabels(["$%dk"%(round(v/1000)) for v in tick_values], fontsize=14)
cbar.set_label('Median House Value', fontsize=16)

plt.legend(fontsize=16)
plt.show()

在这里插入图片描述
靠海距离&人口密度房价密切相关

3.2 查找关联

计算每对属性间的标准相关系数(皮尔逊相关系数)
pd.DataFrame.corr

corr_matrix = housing.corr()

查看每个和房价的关联度

corr_matrix["median_house_value"].sort_values(ascending=False)

在这里插入图片描述

检测属性间的标准相关系数(可视化)
pandas.plotting.scatter_matrix

from pandas.plotting import scatter_matrix

attributes = ["median_house_value", "median_income", "total_rooms",
              "housing_median_age"]
scatter_matrix(housing[attributes], figsize=(12, 8))

在这里插入图片描述

收入中位数 vs 房价中位数

housing.plot(kind="scatter", x="median_income", y="median_house_value",
             alpha=0.1)
plt.axis([0, 16, 0, 550000])

在这里插入图片描述

3.3 属性组合试验

创建新属性

housing["rooms_per_household"] = housing["total_rooms"]/housing["households"]
housing["bedrooms_per_room"] = housing["total_bedrooms"]/housing["total_rooms"]
housing["population_per_household"]=housing["population"]/housing["households"]

corr_matrix = housing.corr()
corr_matrix["median_house_value"].sort_values(ascending=False)

在这里插入图片描述

bedrooms_per_room vs 房价中位数

housing.plot(kind="scatter", x="bedrooms_per_room", y="median_house_value",
             alpha=0.2)
plt.axis([0, 5, 0, 520000])
plt.show()

在这里插入图片描述
卧室数/总房间数的比例越低房价

4 为机器学习算法准备数据

4.1 数据清洗

housing = strat_train_set.drop("median_house_value", axis=1) # 删除标签
housing_labels = strat_train_set["median_house_value"].copy() 

处理特征缺失
total_bedrooms属性

sample_incomplete_rows = housing[housing.isnull().any(axis=1)].head()
sample_incomplete_rows

在这里插入图片描述

a. 去掉对应街区

sample_incomplete_rows.dropna(subset=["total_bedrooms"])

在这里插入图片描述

b. 去掉整个属性

sample_incomplete_rows.drop("total_bedrooms", axis=1) 

在这里插入图片描述

c. 进行赋值(0 平均值 中位数等)

median = housing["total_bedrooms"].median()
sample_incomplete_rows["total_bedrooms"].fillna(median, inplace=True)

sample_incomplete_rows

在这里插入图片描述

from sklearn.impute import SimpleImputer
imputer = SimpleImputer(strategy="median")

删除文本属性,因为中值只能根据数值属性计算

housing_num = housing.drop("ocean_proximity", axis=1)

imputer拟合到训练数据

imputer.fit(housing_num)
imputer.statistics_ # 每个属性的中位值

在这里插入图片描述

检查是否与手动计算每个属性的中值相同

housing_num.median().values

在这里插入图片描述

转换训练集

X = imputer.transform(housing_num)

housing_tr = pd.DataFrame(X, columns=housing_num.columns,
                          index=housing.index)

housing_tr.loc[sample_incomplete_rows.index.values] # 查看效果

在这里插入图片描述

imputer.strategy

在这里插入图片描述

housing_tr = pd.DataFrame(X, columns=housing_num.columns,
                          index=housing_num.index)

housing_tr.head()

在这里插入图片描述

4.2 处理文本和类别属性

预处理分类输入特性,海洋接近度

housing_cat = housing[["ocean_proximity"]]
housing_cat.head(10)

在这里插入图片描述

from sklearn.preprocessing import OrdinalEncoder

ordinal_encoder = OrdinalEncoder()
housing_cat_encoded = ordinal_encoder.fit_transform(housing_cat)
housing_cat_encoded[:10]

在这里插入图片描述

ordinal_encoder.categories_

在这里插入图片描述

from sklearn.preprocessing import OneHotEncoder

cat_encoder = OneHotEncoder()
housing_cat_1hot = cat_encoder.fit_transform(housing_cat)
housing_cat_1hot

在这里插入图片描述

默认情况下,OneHotEncoder类返回稀疏数组,但如果需要,我们可以通过调用toarray()方法将其转换为密集数组

或者,可以在创建OneHotEncoder时设置sparse=False

cat_encoder = OneHotEncoder(sparse=False)
housing_cat_1hot = cat_encoder.fit_transform(housing_cat)
housing_cat_1hot

在这里插入图片描述

cat_encoder.categories_

在这里插入图片描述

4.3 自定义转换器

创建一个自定义转换器来添加额外的属性

from sklearn.base import BaseEstimator, TransformerMixin

# column index
rooms_ix, bedrooms_ix, population_ix, households_ix = 3, 4, 5, 6

class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
    def __init__(self, add_bedrooms_per_room = True): # no *args or **kargs
        self.add_bedrooms_per_room = add_bedrooms_per_room
    def fit(self, X, y=None):
        return self  # nothing else to do
    def transform(self, X):
        rooms_per_household = X[:, rooms_ix] / X[:, households_ix]
        population_per_household = X[:, population_ix] / X[:, households_ix]
        if self.add_bedrooms_per_room:
            bedrooms_per_room = X[:, bedrooms_ix] / X[:, rooms_ix]
            return np.c_[X, rooms_per_household, population_per_household,
                         bedrooms_per_room]
        else:
            return np.c_[X, rooms_per_household, population_per_household]

attr_adder = CombinedAttributesAdder(add_bedrooms_per_room=False)
housing_extra_attribs = attr_adder.transform(housing.values)

housing_extra_attribs = pd.DataFrame(
    housing_extra_attribs,
    columns=list(housing.columns)+["rooms_per_household", "population_per_household"],
    index=housing.index)
housing_extra_attribs.head()

在这里插入图片描述

4.4 特征缩放

量纲的特征缩放
特征变换-数据规范化

4.5 转换流水线

构建一个管道来预处理数值属性

from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

num_pipeline = Pipeline([
        ('imputer', SimpleImputer(strategy="median")),
        ('attribs_adder', CombinedAttributesAdder()),
        ('std_scaler', StandardScaler()),
    ])

housing_num_tr = num_pipeline.fit_transform(housing_num)
housing_num_tr

在这里插入图片描述

from sklearn.compose import ColumnTransformer

num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

full_pipeline = ColumnTransformer([
        ("num", num_pipeline, num_attribs),
        ("cat", OneHotEncoder(), cat_attribs),
    ])

housing_prepared = full_pipeline.fit_transform(housing)
print(housing_prepared.shape)
housing_prepared

在这里插入图片描述

将所有这些组件连接到一个大管道中,该管道将预处理数值和分类有限元分析

from sklearn.base import BaseEstimator, TransformerMixin

# Create a class to select numerical or categorical columns 
class OldDataFrameSelector(BaseEstimator, TransformerMixin):
    def __init__(self, attribute_names):
        self.attribute_names = attribute_names
    def fit(self, X, y=None):
        return self
    def transform(self, X):
        return X[self.attribute_names].values

作为参考,以下是基于DataFrameSelector转换器(仅选择Pandas DataFrame列的子集)和FeatureUnion的旧解决方案

num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]

old_num_pipeline = Pipeline([
        ('selector', OldDataFrameSelector(num_attribs)),
        ('imputer', SimpleImputer(strategy="median")),
        ('attribs_adder', CombinedAttributesAdder()),
        ('std_scaler', StandardScaler()),
    ])

old_cat_pipeline = Pipeline([
        ('selector', OldDataFrameSelector(cat_attribs)),
        ('cat_encoder', OneHotEncoder(sparse=False)),
    ])

from sklearn.pipeline import FeatureUnion

old_full_pipeline = FeatureUnion(transformer_list=[
        ("num_pipeline", old_num_pipeline),
        ("cat_pipeline", old_cat_pipeline),
    ])

old_housing_prepared = old_full_pipeline.fit_transform(housing)
old_housing_prepared

在这里插入图片描述

结果与ColumnTransformer相同
np.allclose #两个数组在一个公差内按元素相等

np.allclose(housing_prepared, old_housing_prepared)

在这里插入图片描述

5 选择并训练模型

5.1 在训练集上训练和评估

在几个训练实例上尝试完整的预处理管道

from sklearn.linear_model import LinearRegression

lin_reg = LinearRegression()
lin_reg.fit(housing_prepared, housing_labels)

some_data = housing.iloc[:5] # 数据
some_labels = housing_labels.iloc[:5] # 标签
some_data_prepared = full_pipeline.transform(some_data) # 管道处理数据

print("Predictions:", list(lin_reg.predict(some_data_prepared)))
print("Labels:", list(some_labels))
print('error:', list((lin_reg.predict(some_data_prepared)) - (some_labels)))

在这里插入图片描述

计算回归模型RMSE

from sklearn.metrics import mean_squared_error

housing_predictions = lin_reg.predict(housing_prepared)
lin_mse = mean_squared_error(housing_labels, housing_predictions)
lin_rmse = np.sqrt(lin_mse)
lin_rmse

在这里插入图片描述

计算回归模型MAE

from sklearn.metrics import mean_absolute_error

lin_mae = mean_absolute_error(housing_labels, housing_predictions)
lin_mae

在这里插入图片描述

housing_labels.hist()

在这里插入图片描述
median_housing_values位于 120000265000 美元之间,因此预测误差 68628 美元
欠拟合

  • 选择一个更强大的模型,带有更多参数(决策树)
  • 用更好的特征训练学习算法(特征工程
  • 减小对模型的限制(减小正则化超参数)
from sklearn.tree import DecisionTreeRegressor

tree_reg = DecisionTreeRegressor(random_state=42)
tree_reg.fit(housing_prepared, housing_labels)

housing_predictions = tree_reg.predict(housing_prepared)
tree_mse = mean_squared_error(housing_labels, housing_predictions)
tree_rmse = np.sqrt(tree_mse)
tree_rmse

在这里插入图片描述
误差 = 0.0
过拟合

  • 简化模型
    • 通过选择一个参数更少的模型(使用线性模型,高阶多项式模型
    • 减少训练数据的属性数
    • 限制一下模型(正则化)
  • 收集更多的训练数据
  • 减小训练数据的噪声(修改数据错误和去除异常值

5.2 使用交叉验证做更加的评估

决策树模型

from sklearn.model_selection import cross_val_score

scores = cross_val_score(tree_reg, housing_prepared, housing_labels,
                         scoring="neg_mean_squared_error", cv=10)
tree_rmse_scores = np.sqrt(-scores)

def display_scores(scores):
    print("Scores:", scores)
    print("Mean:", scores.mean())
    print("Standard deviation:", scores.std())

display_scores(tree_rmse_scores)

在这里插入图片描述

线性回归模型

lin_scores = cross_val_score(lin_reg, housing_prepared, housing_labels,
                             scoring="neg_mean_squared_error", cv=10)
lin_rmse_scores = np.sqrt(-lin_scores)
display_scores(lin_rmse_scores)

在这里插入图片描述

vs = pd.DataFrame({'Model': pd.Series(['tree_rmse_scores', 'lin_rmse_scores']),
                    'Mean': pd.Series([tree_rmse_scores.mean(), lin_rmse_scores.mean()]),
                   'Standard deviation': pd.Series([tree_rmse_scores.std(), lin_rmse_scores.std()])})
vs

在这里插入图片描述

import seaborn as sns
sns.barplot(vs.Model, vs.Mean)

在这里插入图片描述

sns.barplot(vs.Model, vs['Standard deviation'])

在这里插入图片描述

随机森林

%%time
from sklearn.ensemble import RandomForestRegressor

forest_reg = RandomForestRegressor(n_estimators=100, random_state=42)
forest_reg.fit(housing_prepared, housing_labels)
housing_predictions = forest_reg.predict(housing_prepared)

forest_mse = mean_squared_error(housing_labels, housing_predictions)
forest_rmse = np.sqrt(forest_mse)

在这里插入图片描述

forest_rmse

在这里插入图片描述

%%time
forest_scores = cross_val_score(forest_reg, housing_prepared, housing_labels,
                                scoring="neg_mean_squared_error", cv=10)
forest_rmse_scores = np.sqrt(-forest_scores)
display_scores(forest_rmse_scores)

在这里插入图片描述

支持向量回归

from sklearn.svm import SVR

svm_reg = SVR(kernel="linear")
svm_reg.fit(housing_prepared, housing_labels)
housing_predictions = svm_reg.predict(housing_prepared)

svm_mse = mean_squared_error(housing_labels, housing_predictions)
svm_rmse = np.sqrt(svm_mse)
svm_rmse

在这里插入图片描述

6 微调模型

6.1 网格搜索

from sklearn.model_selection import GridSearchCV

param_grid = [
    # 尝试12(3×4)个超参数组合
    {'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]},
    # 然后尝试6个(2×3)组合,bootstrap设置为False
    {'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]},
  ]

forest_reg = RandomForestRegressor(random_state=42)
# 训练5次,总共(12+6)*5=90轮
grid_search = GridSearchCV(forest_reg, param_grid, cv=5, # 拆分策略 (int -> 分层折叠数)
                           scoring='neg_mean_squared_error', # 评分参数
                           return_train_score=True) #  
grid_search.fit(housing_prepared, housing_labels)

在这里插入图片描述

获得参数的最佳组合

grid_search.best_params_

在这里插入图片描述

grid_search.best_estimator_

在这里插入图片描述

查看网格搜索期间测试的每个超参数组合的得分

cvres = grid_search.cv_results_
for mean_score, params in zip(cvres["mean_test_score"], cvres["params"]):
    print(np.sqrt(-mean_score), params)

在这里插入图片描述
最佳方案:'max_features': 6, 'n_estimators': 30
RMSE: 50811

结果

pd.DataFrame(grid_search.cv_results_)

在这里插入图片描述

6.2 随机搜索

网格搜索:尝试所有可能的组合
随机搜索:选择每个超参数的一个随机值的特定数量的随机组合
* 探索范围大于网格搜索
* 通过设定搜索次数,控制超参数搜索的计算量

from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import randint

param_distribs = {
        'n_estimators': randint(low=1, high=200),
        'max_features': randint(low=1, high=8),
    }

forest_reg = RandomForestRegressor(random_state=42)
rnd_search = RandomizedSearchCV(forest_reg, param_distributions=param_distribs,
                                n_iter=10, cv=5, scoring='neg_mean_squared_error', random_state=42)
rnd_search.fit(housing_prepared, housing_labels)

在这里插入图片描述

6.3 集成方法

6.4 分析最佳模型和它们的误差

cvres = rnd_search.cv_results_
for mean_score, params in zip(cvres["mean_test_score"], cvres["params"]):
    print(np.sqrt(-mean_score), params)

在这里插入图片描述

feature_importances = grid_search.best_estimator_.feature_importances_
feature_importances

在这里插入图片描述

将重要性分数和属性名放到一起

extra_attribs = ["rooms_per_hhold", "pop_per_hhold", "bedrooms_per_room"]
cat_encoder = full_pipeline.named_transformers_["cat"]
cat_one_hot_attribs = list(cat_encoder.categories_[0])
attributes = num_attribs + extra_attribs + cat_one_hot_attribs
sorted(zip(feature_importances, attributes), reverse=True)

在这里插入图片描述
丢弃不重要的特征(貌似只留ocean_proximityISLAND就OK了)
清洗异常值
增加更多的特征

6.5 用测试集评估系统

final_model = grid_search.best_estimator_

X_test = strat_test_set.drop("median_house_value", axis=1)
y_test = strat_test_set["median_house_value"].copy()

X_test_prepared = full_pipeline.transform(X_test)
final_predictions = final_model.predict(X_test_prepared)

final_mse = mean_squared_error(y_test, final_predictions)
final_rmse = np.sqrt(final_mse)

final_rmse

在这里插入图片描述

计算测试RMSE的95%置信区间
stats.t.interval # 中位数周围面积相等的置信区间
stats.sem # 计算平均值的标准误差(或测量)输入数组中的值

from scipy import stats

confidence = 0.95
squared_errors = (final_predictions - y_test) ** 2
np.sqrt(stats.t.interval(confidence, len(squared_errors) - 1,
                         loc=squared_errors.mean(),
                         scale=stats.sem(squared_errors)))

在这里插入图片描述

手动计算间隔
stats.t.ppf # 给定RV的q处的百分点函数(与“cdf”相反)

m = len(squared_errors)
mean = squared_errors.mean()
tscore = stats.t.ppf((1 + confidence) / 2, df=m - 1)
tmargin = tscore * squared_errors.std(ddof=1) / np.sqrt(m)
np.sqrt(mean - tmargin), np.sqrt(mean + tmargin)

在这里插入图片描述

使用z分数而不是t分数
stats.norm.ppf # 返回分位点函数

zscore = stats.norm.ppf((1 + confidence) / 2)
zmargin = zscore * squared_errors.std(ddof=1) / np.sqrt(m)
np.sqrt(mean - zmargin), np.sqrt(mean + zmargin)

在这里插入图片描述

7 启动、监控、维护系统

  • 接入输入数据源,并编写测试
  • 监控
  • 评估系统

8 实践!

kaggle
天池

额外材料

准备和预测的完整管道

full_pipeline_with_predictor = Pipeline([
        ("preparation", full_pipeline),
        ("linear", LinearRegression())
    ])

full_pipeline_with_predictor.fit(housing, housing_labels)
full_pipeline_with_predictor.predict(some_data)

在这里插入图片描述

使用joblib的模型持久性

my_model = full_pipeline_with_predictor

!pip install joblib

import joblib
joblib.dump(my_model, "my_model.pkl") # DIFF
#...
my_model_loaded = joblib.load("my_model.pkl") # DIFF

随机搜索的SciPy分布示例

from scipy.stats import geom, expon
geom_distrib=geom(0.5).rvs(10000, random_state=42)
expon_distrib=expon(scale=1).rvs(10000, random_state=42)
plt.hist(geom_distrib, bins=50)
plt.show()
plt.hist(expon_distrib, bins=50)
plt.show()

在这里插入图片描述

发布了50 篇原创文章 · 获赞 51 · 访问量 2472

猜你喜欢

转载自blog.csdn.net/hezuijiudexiaobai/article/details/104579746
今日推荐