机器学习第三期

模型评价指标

• 准确率
• 召回率(TP/(TP+FN) recall
• 查准率（TP/（TP+FP）-预测实际均正/(预测实际均正+预测正实际负）precision
• f1_score（y_true,y_pred）#计算F1值（精确率和召回率的加权调和平均数，综合了两者的性能指标）21𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+1𝑟𝑒𝑐𝑎𝑙𝑙

混淆矩阵		预测值
		Positive	Negative
真实值	Positive	TP	FN
	Negative	FP	TN

          

特征工程

• 特征构造

常见特征：统计量特征（计数，求和，比例，标准差等），时间特征(相对时间和绝对时间，节假日双休日)，空间特征（分箱，分布编码等）

处理方法：非线性变换（log/平方等）；特征组合；特征交叉

• 特征选择

过滤式-先特征选择，再训练学习器-方法有Relief,方差选择，相关系数，互信息

          在机器学习和特征选择中，互信息常被用作评估特征与目标变量之间的相关性，以确定哪些特征对于预测目标变量是最有价值的。较高的互信息表示特征与目标变量之间存在较强的相关性。

使用互信息进行特征选择的一般步骤如下：

1. 计算每个特征与目标变量之间的互信息。
2. 根据互信息的大小对特征进行排序，选择具有较高互信息的特征。
3. 可以设置一个阈值或选择固定数量的特征，根据排序结果选择相关性较高的特征。
4. 使用选定的特征进行建模和训练。

可用scikit-learn库中的mutual_info_classif（用于分类问题）和mutual_info_regression（用于回归问题）函数，进行互信息计算。

包裹式-直接把最终将要使用的学习器的性能作为特征子集的评价准则-方法有LVM

嵌入式-结合前两者，学习器训练过程中自动进行了特征选择-Lasso

• 降维-PCA LDA LCA 特征选择

代码中的一些函数

• zeros(9)  # 创建一个长度为 9 的零数组
• map(function,iterable),map()函数用于对可迭代对象【如列表 元组等】中的每一个元素应用指定的函数，function是一个函数，iterable是一个可迭代对象。
• .map()方法是对 . 前的对象应用映射操作，即根据括号中的函数规则将原始值转换为新的值
• mean()计算均值
• concat()函数用于沿指定轴（行或列）将多个DataFrame对象或Series对象进行拼接
• axis参数用于指定连接操作沿哪个轴进行axis=0按行连接axis=1按列连接

uuid	eid	udmap	common_ts	x1	x2	x3	x4	x5	x6	x7	x8
0	26	{"key3":"67804","key2":"650"}	1689673468244	4	0	41	107	206	1	0	1

• 题目分析
• uuid为样本唯一标识，eid为访问行为ID，udmap为行为属性，其中的key1到key9表示不同的行为属性，如项目名、项目id等相关字段，common_ts为应用访问记录发生时间（毫秒时间戳），其余字段x1至x8为用户相关的属性，为匿名处理字段。target字段为预测目标，即是否为新增用户。

• 新增时间特征 天  月份的时间特征 结果升
• 新增时间特征dayofweek 结果升

          

决策树（一般构造二叉树）

决策树的参数包括以下几个常见的参数：

• 最大深度（max_depth）：指定决策树的最大深度，控制树的复杂程度和过拟合的风险。较大的最大深度可以提高模型的学习能力，但也容易造成过拟合。
• 最小样本划分数（min_samples_split）：指定进行节点划分所需的最小样本数。如果某个节点的样本数量小于该值，则不再进行划分。增大该值可以限制决策树的生长，防止过拟合。
• 最小叶子节点样本数（min_samples_leaf）：指定叶子节点上所需的最小样本数。如果叶子节点的样本数量小于该值，则不再进行进一步划分。增大该值可以限制决策树的生长，防止过拟合。
• 最大特征数（max_features）：指定在每个节点上用于划分的特征数。可以是一个固定值，也可以是一个百分比。较小的特征数可以降低决策树的复杂度，防止过拟合。
• 分裂标准（criterion）：指定用于衡量节点纯度或分裂质量的标准，常见的有基尼系数（gini）和信息增益（entropy）。

基尼系数  用来衡量不确定性。选择基尼系数最小的作为决策树节点，即下一步分类的依据，以此循环。以基尼系数为核心的是CART决策树。

如果决策树过于复杂，可以增加最大深度、最小样本划分数和最小叶子节点样本数等参数来限制其生长；如果决策树欠拟合，可以减小这些参数或调整分裂标准等来增加模型的复杂度。选择适当的参数可以帮助平衡模型的复杂度和性能。