5分钟教你玩转 sklearn 机器学习(上)

时间:2020-12-26 05:45:01

假期结束,你的状态有没有回归?那么,放空脑袋后,先来学习学习,欢迎大家继续关注腾讯云技术社区

作者:赵成龙 

这是一篇很难写的文章,因为我希望这篇文章能对大家有所帮助。我不会给大家介绍机器学习,数据挖掘的行业背景,也不会具体介绍逻辑回归,SVM,GBDT,神经网络等学习算法的理论依据和数学推导,本文更多的是在流程化上帮助大家快速的入门机器学习和数据建模。

本文主要分为四个部分(限于时间关系会分为上下两篇):

上篇:

  1. 准备篇,主要涉及环境搭建以及pandas基本知识。
  2. 应用篇,我会以kaggle上的Titanic为例,从数据源获取,数据清洗,特征处理,模型选择,模型输出与运用。

下篇:

  1. 优化篇,介绍了几种优化的方法。
  2. 思考篇,提出几个困扰我的问题,希望能得到大家的帮助吧。

一 准备篇

1环境搭建

整个sklearn的实验环境是:python 2.7 + pycharm + Anaconda。

2 pandas基础

这里只能大家介绍下面会用到的pandas知识,有兴趣的可以去具体的学习。给大家推荐一本参考书:《Python for Data Analysis》。有基础的可以直接跳到应用篇。

pandas主要会用到Series 和DataFrame两种数据结构。Series像是一维的数组,而DataFrame更像是一种二维的表结构。

Series的构造方法:

label=[1,0,1,0,1]
data
= pd.Series(data=label,index=['a','b','c','d','e'],dtype=int,name="label")
print data

5分钟教你玩转 sklearn 机器学习(上)

Series取数据,通过index取数

data['a']
data[[
'a','b']]

DataFrame的构造

(1)以字典的形式构造

frame = pd.DataFrame({'name':['Time','Jack','Lily'],'Age':[20,30,12],"weight":[56.7,64.0,50.0]})

5分钟教你玩转 sklearn 机器学习(上)

(2)由DataFrame 构建DataFrame

frame1 = pd.DataFrame(frame,columns=["name","Age"])

5分钟教你玩转 sklearn 机器学习(上)

从frame中读取了两列构成新的DataFrame。

DataFrame的操作

1 增加列

frame1["friends_num"]=[10,12,14]

2 删除列

frame2 = frame1.drop(["name","Age"],axis=1)

3 查找数据行

frame1[frame1["friends_num"]>10]

结果如下:

5分钟教你玩转 sklearn 机器学习(上)

DataFrame的统计方法

1 apply 配合lambda 处理列,如将frame1的Age列进行分段。

 frame1["Age_group"] = frame1["Age"].apply(lambda x: 0 if x < 20 else 1)

2 describe输出统计信息,非常强大

frame1.describe()

5分钟教你玩转 sklearn 机器学习(上)

给出了8个统计量,对我们的数据处理特别有用。有个问题,直接使用describe方法只能统计数值类的列,对于字符类的变量没有统计。加个参数就行。

frame1.describe(include=['O'])

5分钟教你玩转 sklearn 机器学习(上)

3 缺失值处理
pandas 对缺失值一般填充NAN。

#以0填充缺失值
frame1.fillna(
0)
#丢掉任何包含NAN的行
frame1.dropna()
#删除全为nan的行
frame1.dropna(how
="all")

二 应用篇

1 数据读取

本例以Titanic作为数据源。大家可以在附件获取到数据。

data = pd.DataFrame(pd.read_csv(train_path))
data_test
= pd.DataFrame(pd.read_csv(test_path))
data_test
= data_test[["Pclass","Name","Sex","Age","SibSp","Parch","Ticket","Fare","Cabin","Embarked"]]
x
= data[["Pclass","Name","Sex","Age","SibSp","Parch","Ticket","Fare","Cabin","Embarked"]]
y
= data[["Survived"]]
print x.describe()
print x.describe(include
=['O'])
print data_test.describe()
print data_test.describe(include
=['O'])

5分钟教你玩转 sklearn 机器学习(上)

数据的初始统计信息:

5分钟教你玩转 sklearn 机器学习(上)

2 数据清洗

1 缺失值处理。
Age和Embarked列存在少量缺失值,分别处理。

#用众数填充缺失值
data_set[
"Embarked"]=data_set["Embarked"].fillna('S')
#用均值填充Age缺失值
data_set[
"Age"]=data_set["Age"].fillna(data_set["Age"].mean())

2 删除缺失率较大的列(初步处理时)
Cabin列的缺失率达到了75%,删除改列。

data_set = data_set.drop([ "Cabin"], axis=1)

3 特征处理

特征处理是基于具体的数据的,所以在特征处理之前要对数据做充分的理解。特征处理没有固定方法之说,主要靠个人的经验与观察,通过不断的尝试和变换,以期望挖掘出较好的特征变量。所以说,特征处理是模型建立过程中最耗时和耗神的工作。

1)单变量特征提取。

#根据name的长度,抽象出name_len特征 
data_set[
"name_len"] = data_set["Name"].apply(len)

观察name列

5分钟教你玩转 sklearn 机器学习(上)

通过观察Name列数据,可以发现名字中带有性别和婚否的称谓信息。提取这些信息(可能是有用的特征)。

data_set["name_class"] = data_set["Name"].apply(lambda x : x.split(",")[1]).apply(lambda x :x.split()[0])

2)多变量的组合
sibsp 代表兄弟姐妹和配偶的数量
parch 代表父母和子女的数量
因此可以将sibsp和parch结合获得家庭成员的数量

data_set["family_num"] = data_set["Parch"] + data_set["SibSp"] +1

3)名义变量转数值变量

#Embarked
data_set[
"Embarked"]=data_set["Embarked"].map({'S':1,'C':2,'Q':3}).astype(int)
#Sex
data_set[
"Sex"] = data_set["Sex"].apply(lambda x : 0 if x=='male' else 1)

4)数据分段

根据统计信息和经验分段

#[7.91,14.45,31.0]根据Fare的统计信息进行分段
data_set[
"Fare"] = data_set["Fare"].apply(lambda x:cutFeature([7.91,14.45,31.0],x))
#[
18,48,64]按照经验分段
data_set[
"Age"] = data_set["Age"].apply(lambda x:cutFeature([18,48,64],x))

简单的数据处理后,我们得到了如下12维数据:

5分钟教你玩转 sklearn 机器学习(上)

4 模型选择与测试

初步选取了5种模型进行试验

RandomForestClassifier

ExtraTreesClassifier

AdaBoostClassifier

GradientBoostingClassifier

SVC

模型参数:

#随机森林
rf_params
= {
'n_jobs': -1,
'n_estimators': 500,
'warm_start': True,
#
'max_features': 0.2,
'max_depth': 6,
'min_samples_leaf': 2,
'max_features': 'sqrt',
'verbose': 0
}
# Extra Trees 随机森林
et_params
= {
'n_jobs': -1,
'n_estimators': 500,
#
'max_features': 0.5,
'max_depth': 8,
'min_samples_leaf': 2,
'verbose': 0
}

# AdaBoost
ada_params
= {
'n_estimators': 500,
'learning_rate': 0.75
}

# GBDT
gb_params
= {
'n_estimators': 500,
#
'max_features': 0.2,
'max_depth': 5,
'min_samples_leaf': 2,
'verbose': 0
}

# SVC
svc_params
= {
'kernel': 'linear',
'C': 0.025
}

模型选择代码:

classifiers = [
(
"rf_model", RandomForestClassifier(**rf_params)),
(
"et_model", ExtraTreesClassifier(**et_params)),
(
"ada_model", AdaBoostClassifier(**ada_params)),
(
"gb_model", GradientBoostingClassifier(**gb_params)),
(
"svc_model", SVC(**svc_params)),
]

heldout
= [0.95, 0.90, 0.75, 0.50, 0.01]
rounds
= 20
xx
= 1. - np.array(heldout)
for name, clf in classifiers:
print(
"training %s" % name)
rng
= np.random.RandomState(42)
yy
= []
for i in heldout:
yy_
= []
for r in range(rounds):
X_train_turn, X_test_turn, y_train_turn, y_test_turn
= \
train_test_split(x_train, labels_train, test_size
=i, random_state=rng)
clf.fit(X_train_turn, y_train_turn)
y_pred
= clf.predict(X_test_turn)
yy_.append(
1 - np.mean(y_pred == y_test_turn))
yy.append(np.mean(yy_))
plt.plot(xx, yy, label
=name)

plt.legend(loc
="upper right")
plt.xlabel(
"Proportion train")
plt.ylabel(
"Test Error Rate")
plt.show()

选择结果如下:

5分钟教你玩转 sklearn 机器学习(上)

从上图可以看出,randomForest的一般表现要优于其他算法。初步选择randomforest算法。
模型的在训练集上的表现:

def modelScore(x_train,labels_train,x_test,y_test,model_name,et_params):
print(
"--------%s------------")%(model_name)
model
= model_name(**et_params)

model.fit(x_train, labels_train)
if "feature_importances_" in dir(model):
print model.feature_importances_

print classification_report(
labels_train,
model.predict(x_train))

print classification_report(
y_test,
model.predict(x_test))
return model

modelScore(x_train, labels_train, x_test, y_test, RandomForestClassifier, rf_params)

训练集的混淆矩阵如下图:

5分钟教你玩转 sklearn 机器学习(上)

测试集的混淆矩阵如下图:

5分钟教你玩转 sklearn 机器学习(上)

到此,初步的学习模型就建立起来了,测试集的准确度为83%。由于时间关系,优化篇和思考篇将放在下篇文章与大家分享,敬请期待。

如有任何错误或疑问,欢迎大家留言。期待与大家共同成长,共同进步!

温馨提示:文章相关的资料请阅读原文获取

相关阅读

机器学习:从入门到第一个模型

机器学习概念总结笔记(四)

当强化学习遇见泛函分析


此文已由作者授权腾讯云技术社区发布,转载请注明文章出处
原文链接:https://cloud.tencent.com/community/article/229506