Datawhale-数据分析-泰坦尼克-第三单元-模型建立和评估

第三章 模型搭建和评估–建模

经过前面的两章的知识点的学习，我可以对数数据的本身进行处理，比如数据本身的增删查补，还可以做必要的清洗工作。那么下面我们就要开始使用我们前面处理好的数据了。这一章我们要做的就是使用数据，我们做数据分析的目的也就是，运用我们的数据以及结合我的业务来得到某些我们需要知道的结果。那么分析的第一步就是建模，搭建一个预测模型或者其他模型；我们从这个模型的到结果之后，我们要分析我的模型是不是足够的可靠，那我就需要评估这个模型。今天我们学习建模，下一节我们学习评估。

我们拥有的泰坦尼克号的数据集，那么我们这次的目的就是，完成泰坦尼克号存活预测这个任务。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
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

载入这些库，如果缺少某些库，请安装他们

【思考】这些库的作用是什么呢？你需要查一查

载入我们提供清洗之后的数据(clear_data.csv)，大家也将原始数据载入（train.csv），说说他们有什么不同

#写入代码
data = pd.read_csv('clear_data.csv')
data.head()

	PassengerId	Pclass	Age	SibSp	Parch	Fare	Sex_female	Sex_male	Embarked_C	Embarked_Q	Embarked_S
0	0	3	22.0	1	0	7.2500	0	1	0	0	1
1	1	1	38.0	1	0	71.2833	1	0	1	0	0
2	2	3	26.0	0	0	7.9250	1	0	0	0	1
3	3	1	35.0	1	0	53.1000	1	0	0	0	1
4	4	3	35.0	0	0	8.0500	0	1	0	0	1

data.shape

(891, 11)

#写入代码
train = pd.read_csv('train.csv')
train.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

#写入代码
# 将原先的数据 文本都变为数字 进行向量化

模型搭建

• 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
• 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
• 模型的选择一方面是通过我们的任务来决定的。
• 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
• 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

这里我的建模，并不是从零开始，自己一个人完成完成所有代码的编译。我们这里使用一个机器学习最常用的一个库（sklearn）来完成我们的模型的搭建

下面给出sklearn的算法选择路径，供大家参考

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

【思考】数据集哪些差异会导致模型在拟合数据是发生变化

#思考回答
# 数据的离散程度  数据量的大小  数据的维度（特征）

任务一：切割训练集和测试集

这里使用留出法划分数据集

• 将数据集分为自变量和因变量
• 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%)
• 使用分层抽样
• 设置随机种子以便结果能复现

【思考】

• 划分数据集的方法有哪些？
  数据集的划分有三种方法：留出法，交叉验证法和自助法

留出法：是直接将数据集 D 划分为两个互斥的集合，其中一个集合作为训练集 S，另一个作为测试集 T

k 折交叉验证：通常将数据集 D 分为 k 份，其中的 k-1 份作为训练集，剩余的那一份作为测试集，这样就可以获得 k 组训练/测试集，可以进行 k 次训练与测试，最终返回的是 k 个测试结果的均值。

留出法与交叉验证法都是使用 分层采样 的方式进行数据采样与划分，而自助法则是使用 有放回重复采样 的方式进行数据采样

自助法：我们每次从数据集D中取一个样本作为训练集中的元素，然后把该样本放回，重复该行为 m 次，这样我们就可以得到大小为m的训练集，在这里面有的样本重复出现，有的样本则没有出现过，我们把那些没有出现过的样本作为测试集。

对于数据量充足的时候，通常采用 留出法 或者 k折交叉验证法 来进行训练/测试集的划分；

对于数据集小且难以有效划分训练/测试集时使用 自助法；

• 为什么使用分层抽样，这样的好处有什么？
  为了保证数据分布的一致性，通常我们采用 分层采样 的方式来对数据进行采样。

任务提示1

• 切割数据集是为了后续能评估模型泛化能力
• sklearn中切割数据集的方法为train_test_split
• 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
• 分层和随机种子在参数里寻找

要从clear_data.csv和train.csv中提取train_test_split()所需的参数

#写入代码
from sklearn.model_selection import train_test_split
# https://blog.youkuaiyun.com/sinat_33231573/article/details/112174813
# X_train,X_test, y_train, y_test =sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.4, random_state=0,stratify=y_train)
# 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，如果是整数的话就是样本的数量

# random_state：是随机数的种子。
# 随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。

# stratify是为了保持split前类的分布。比如有100个数据，80个属于A类，20个属于B类。如果train_test_split(... test_size=0.25, stratify = y_all), 那么split之后数据如下： 
# training: 75个数据，其中60个属于A类，15个属于B类。 
# testing: 25个数据，其中20个属于A类，5个属于B类。 

# 用了stratify参数，training集和testing集的类的比例是 A：B= 4：1，等同于split前的比例（80：20）。通常在这种类分布不平衡的情况下会用到stratify。

train_test_split?

#写入代码
# 一般先取出X和y后再切割，有些情况会使用到未切割的，这时候X和y就可以用,x是清洗好的数据，y是我们要预测的存活数据'Survived'
X = data
y = train['Survived']
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify = y, random_state = 0)

#写入代码
X_train.shape, X_test.shape

((668, 11), (223, 11))

#写入代码

【思考】

• 什么情况下切割数据集的时候不用进行随机选取

#思考回答

#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,内部已经足够随机了 

任务二：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）
• 分别使用这些模型进行训练，分别的到训练集和测试集的得分
• 查看模型的参数，并更改参数值，观察模型变化

提示

• 逻辑回归不是回归模型而是分类模型，不要与LinearRegression混淆
• 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
• 线性模型所在的模块为sklearn.linear_model
• 树模型所在的模块为sklearn.ensemble

#写入代码
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

#写入代码
lr = LogisticRegression()
lr.fit(X_train,y_train)

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,
          penalty='l2', random_state=None, solver='liblinear', tol=0.0001,
          verbose=0, warm_start=False)

#写入代码
# 查看训练集和测试集score值
print('Train set score: {:.2f}'.format(lr.score(X_train,y_train)))
print('Test set score:{:.2f}'.format(lr.score(X_test,y_test)))

Train set score: 0.81
Test set score:0.78

#写入代码
# 调整参数后的随机森林分类模型
RFC = RandomForestClassifier(n_estimators=100,max_depth=5)
RFC.fit(X_train,y_train)

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=5, max_features='auto', max_leaf_nodes=None,
            min_impurity_decrease=0.0, min_impurity_split=None,
            min_samples_leaf=1, min_samples_split=2,
            min_weight_fraction_leaf=0.0, n_estimators=100, n_jobs=1,
            oob_score=False, random_state=None, verbose=0,
            warm_start=False)

print('Train set score: {:.2f}'.format(RFC.score(X_train,y_train)))
print('Test set score:{:.2f}'.format(RFC.score(X_test,y_test)))

Train set score: 0.87
Test set score:0.82

【思考】

• 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
• 对于多分类问题，线性模型是怎么进行分类的

#思考回答

任务三：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

提示3

• 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

#写入代码
pred = lr.predict(X_train)

#写入代码
pred[:10]

array([0, 1, 1, 1, 0, 0, 1, 0, 1, 1], dtype=int64)

#写入代码
pred_prob = lr.predict_proba(X_train)

#写入代码
pred_prob[:10]

array([[0.62018758, 0.37981242],
       [0.14977836, 0.85022164],
       [0.46179245, 0.53820755],
       [0.20586404, 0.79413596],
       [0.86543626, 0.13456374],
       [0.90619634, 0.09380366],
       [0.13401825, 0.86598175],
       [0.90068227, 0.09931773],
       [0.05921015, 0.94078985],
       [0.14323105, 0.85676895]])

pred_r = RFC.predict(X_train)
pred_r[:10]

array([0, 1, 0, 1, 0, 0, 1, 0, 1, 1], dtype=int64)

【思考】

• 预测标签的概率对我们有什么帮助

#思考回答

#方便衡量模型的准确性

第三章 模型搭建和评估-评估

根据之前的模型的建模，我们知道如何运用sklearn这个库来完成建模，以及我们知道了的数据集的划分等等操作。那么一个模型我们怎么知道它好不好用呢？以至于我们能不能放心的使用模型给我的结果呢？那么今天的学习的评估，就会很有帮助。

加载下面的库

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from IPython.display import Image
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

%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

任务：加载数据并分割测试集和训练集

#写入代码
from sklearn.model_selection import train_test_split

#写入代码
data = pd.read_csv('clear_data.csv')
train =  pd.read_csv('train.csv')
x = data
y = train['Survived']

#写入代码
x_train, x_test, y_train, y_test = train_test_split(x, y, stratify = y, random_state = 0)

#写入代码
lr = LogisticRegression()
lr.fit(x_train,y_train)

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,
          penalty='l2', random_state=None, solver='liblinear', tol=0.0001,
          verbose=0, warm_start=False)

模型评估

• 模型评估是为了知道模型的泛化能力。
• 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。
• 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（k-fold cross-validation），其中 k 是由用户指定的数字，通常取 5 或 10。
• 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
• 召回率（recall）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

【思考】：将上面的概念进一步的理解，大家可以做一下总结

#思考回答：

任务一：交叉验证

• 用10折交叉验证来评估之前的逻辑回归模型
• 计算交叉验证精度的平均值

#提示：交叉验证Image('Snipaste_2020-01-05_16-37-56.png')

提示4

• 交叉验证在sklearn中的模块为sklearn.model_selection

#写入代码# https://blog.youkuaiyun.com/weixin_42211626/article/details/100064842from sklearn.model_selection import cross_val_score

#写入代码lr =LogisticRegression(C=100) #c其值等于正则化强度的倒数，为正的浮点数。数值越大表示正则化越弱。scores = cross_val_score(lr,x_train, y_train, cv=10) # cv： 交叉验证折数或可迭代的次数

#写入代码scores

array([0.82352941, 0.77941176, 0.80597015, 0.82089552, 0.8358209 ,       0.88059701, 0.72727273, 0.84848485, 0.75757576, 0.71212121])

#写入代码print('avarge cross_val_score scores:{:.2f}'.format(scores.mean()))

avarge cross_val_score scores:0.80

思考4

• k折越多的情况下会带来什么样的影响？

#思考回答#当数据量较大时，使用留一法的计算开销远远超过了我们的承受能力，需要谨慎对待。

任务二：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

【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运算到什么任务中的

#思考回答# 混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。# 它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。# 其每一列代表预测值，每一行代表的是实际的类别。

#提示：混淆矩阵Image('Snipaste_2020-01-05_16-38-26.png')

#提示：准确率 (Accuracy),精确度（Precision）,Recall,f-分数计算方法Image('Snipaste_2020-01-05_16-39-27.png')

提示5

• 混淆矩阵的方法在sklearn中的sklearn.metrics模块
• 混淆矩阵需要输入真实标签和预测标签
• 精确率、召回率以及f-分数可使用classification_report模块

#写入代码from sklearn.metrics import confusion_matrix

#写入代码#训练模型lr = LogisticRegression(C=100)lr.fit(x_train,y_train)

LogisticRegression(C=100, class_weight=None, dual=False, fit_intercept=True,          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,          penalty='l2', random_state=None, solver='liblinear', tol=0.0001,          verbose=0, warm_start=False)

#写入代码pred = lr.predict(x_train)

#写入代码#混淆矩阵confusion_matrix(y_train,pred)

array([[350,  62],       [ 71, 185]], dtype=int64)

from sklearn.metrics import classification_report

print(classification_report(y_train,pred))

             precision    recall  f1-score   support          0       0.83      0.85      0.84       412          1       0.75      0.72      0.74       256avg / total       0.80      0.80      0.80       668

​

【思考】

• 如果自己实现混淆矩阵的时候该注意什么问题

#思考回答

任务三：ROC曲线

• 绘制ROC曲线

【思考】什么是OCR曲线，OCR曲线的存在是为了解决什么问题？

# 横坐标为FPR=FP/N=FP/(FP++TN)=1-TNR 纵坐标为TPR=TP/P=TP/(TP+FN)# TNR = TN/N = TN/(TN+FP)

提示6

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

#写入代码from sklearn.metrics import roc_curve

#写入代码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")# 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)

<matplotlib.legend.Legend at 0x1649ad6f630>

#写入代码

#写入代码

思考6

• 对于多分类问题如何绘制ROC曲线

#思考回答

【思考】你能从这条OCR曲线的到什么信息？这些信息可以做什么？

#思考回答