组队学习之Task5 第三章模型建立和评估

最新推荐文章于 2025-06-07 11:59:33 发布

秃头小菜鸟

最新推荐文章于 2025-06-07 11:59:33 发布

阅读量494

点赞数 1

分类专栏： DataWhale组队学习文章标签： python 数据分析

本文链接：https://blog.youkuaiyun.com/qq_38694228/article/details/108258146

版权

DataWhale组队学习专栏收录该内容

5 篇文章

订阅专栏

本文介绍了在泰坦尼克数据集上构建预测模型的过程，包括特征工程、模型建立和评估。特征工程涉及缺失值填充和分类变量编码。模型搭建中，使用了逻辑回归和随机森林进行分类，并通过交叉验证、混淆矩阵和ROC曲线来评估模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第三章模型搭建和评估

经过前面的探索性数据分析我们可以很清楚的了解到数据集的情况，以及得出了一些结论。
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。

先一股脑导入常见的库

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

1.1 特征工程

这一part在之前的关于数据的处理是的，下面进行一个简单回顾

1.1.1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

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

在这里插入图片描述

# 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)

在这里插入图片描述已无任何缺失值，说明缺失值已处理完毕

1.1.2 编码分类变量

# 取出所有的输入特征
data = train[['Pclass','Sex','Age','SibSp','Parch','Fare', 'Embarked']]

将离散特征进行one-hot编码 get_dummies()
关于为什么要用one-hot编码，可以参考这篇博客看看

https://blog.youkuaiyun.com/wl_ss/article/details/78508500?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param

data = pd.get_dummies(data)
data.head()

在这里插入图片描述大家可以理解成就是一串二进制数，不同的位表示不同的状态。例如对性别而言，我用01表示male，10则表示female。这下应该懂了。

1.2 模型搭建

终于要开始建模了，这一部分，自己也是才看看入门，对其掌握的还很入门，请大家见谅。

在这里插入图片描述

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
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

1.2.1 切割训练集和测试集

这里使用留出法划分数据集。那我们怎么划分啊？
莫慌，一步一步来，我们将

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

那我们就正式开始切割数据了，这里我们直接调用sklearn中切割数据的方法就行了

from sklearn.model_selection import train_test_split #导入train_test_split方法
# 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)
# random_state：是随机数的种子。
#tratify=y就是按照y中的比例分配

已经完成对清洗过后的数据进行切割了，我们可以看看切割的情况到底怎么样

 # 查看数据形状
X_train.shape, X_test.shape, y_train.shape, y_test.shape

在这里插入图片描述
可以看出训练集和测试集的比例大概是3：1

1.2.2 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

我们这个项目问题明显就是分类问题，结果预测就0和1

#导入逻辑回归和随机森林包
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

用逻辑回归训练模型

lr =LogisticRegression()
lr.fit(X_train,y_train)
# 查看训练集和测试集score值
print("Training set score: {:.2f}".format(lr.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(lr.score(X_test, y_test)))

在这里插入图片描述
采用默认参数的随机森林分类模型训练

rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
# 查看随机森林模型下训练集和测试集score值
print("Training set score: {:.2f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc.score(X_test, y_test)))

在这里插入图片描述
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)
#调整过后的score值
print("Training set score: {:.2f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.2f}".format(rfc2.score(X_test, y_test)))

在这里插入图片描述

1.2.3 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
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

# 预测标签
pred = lr.predict(X_train)
pred[:10]

在这里插入图片描述

# 预测标签概率
pred_proba = lr.predict_proba(X_train)
pred_proba[:10]

在这里插入图片描述

1.3 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。

对于二分类问题，常用的评估方法

(1) 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
(2) 召回率（recall）度量的是正类样本中有多少被预测为正类
(3) f-分数是准确率与召回率的调和平均

1.3.1 交叉验证

关于交叉验证，可以戳戳下面的链接，写的挺清楚的

https://zhuanlan.zhihu.com/p/31924220

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

关于交叉验证，我们可以直接调用sklearn.model_selection

from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)
#关于交叉验证score可直接调用 cross_val_score
# C为正则化系数λ的倒数

## k折交叉验证分数
scores

在这里插入图片描述

# 平均交叉验证分数
print("Average cross-validation score: {:.2f}".format(scores.mean()))

在这里插入图片描述

1.3.2 混淆矩阵

混淆矩阵是常用来评估分类问题。
在这里插入图片描述
这里有几个常见的指标需要知道
（1）准确率 (precision)：又称为精度，判断为正例且实际上是正例的数量/判断为正例的数量
(2) 召回率(recall):又称查全率，判断为正例且实际上是正例的数量/实际上所有正例的数量
在这里插入图片描述
（3）f-分数计算方法

在这里插入图片描述
当然，我们在实际项目中是不用计算这些的哈，有专门的方法可以调用

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

#导入混淆矩阵的方法
from sklearn.metrics import confusion_matrix
#训练模型 逻辑回归
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)
# 模型预测结果
pred = lr.predict(X_train)
pred

在这里插入图片描述

#混淆矩阵
confusion_matrix(y_train, pred)

在这里插入图片描述
TP=354,FN=58
FP=83 ,TN=173

# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

在这里插入图片描述

1.3.3 ROC曲线

(1 )用来度量分类模型好坏的一个标准。
(2) 相比于PR曲线，ROC曲线当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。
(3) ROC曲线下面所包围的面积越大越好

#导入ROC曲线模块
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)