动手学数据分析系列---模型搭建和评估

模型搭建和评估--建模

经过前面的两章的知识点的学习，我们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）
train = pd.read_csv('train.csv')
train.shape
train.head()

clear_data = pd.read_csv('clear_data.csv')
clear_data.shape
clear_data.head()

 

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
【答案】1、 样本数量2、是否是分类问题3、数据是否有标记 4、数据特征维度

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】

1. 划分数据集的方法有哪些？

    留出法(Hold-out)、交叉验证法(Cross validation)、自助法(Bootstrapping)

    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；

    对于数据集小且可有效划分的时候最好使用 留一法 来进行划分

2. 为什么使用分层抽样，这样的好处有什么？

    分层抽样将总体单位按其属性特征分成若干类型或层，然后在类型或层中随机抽取样本单位。好处是通过划类分层，增大了各类型中单位间的共同性，容易抽出具有代表性的调查样本，抽样误差比较小。

# 要从clear_data.csv和train.csv中提取train_test_split()所需的参数
from sklearn.model_selection import train_test_split
# 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 = clear_data
y = train['Survived']
# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)
X_train.shape, X_test.shape
#输出：((668, 11), (223, 11))

【思考】什么情况下切割数据集的时候不用进行随机选取：

可以不用随机选取的情况是数据集本身就足够随机，这种情况一般是随机处理后的。或者使用交叉验证法中的留一法处理数据。

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
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)
# 查看训练集和测试集score值
print("Training set score: {:.3f}".format(lr.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(lr.score(X_test, y_test)))

# Training set score: 0.801
# Testing set score: 0.794
# 调整参数后的逻辑回归模型
lr2 = LogisticRegression(C=100)
lr2.fit(X_train, y_train)

print("Training set score: {:.3f}".format(lr2.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(lr2.score(X_test, y_test)))

# Training set score: 0.790
# Testing set score: 0.776
# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)

print("Training set score: {:.3f}".format(rfc.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(rfc.score(X_test, y_test)))

# Training set score: 1.000
# Testing set score: 0.825
# 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)

print("Training set score: {:.3f}".format(rfc2.score(X_train, y_train)))
print("Testing set score: {:.3f}".format(rfc2.score(X_test, y_test)))

# Training set score: 0.868
# Testing set score: 0.794

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
# 预测标签
pred = lr.predict(X_train)

# 此时我们可以看到0和1的数组
pred[:10]

# 预测标签概率
pred_proba = lr.predict_proba(X_train)

pred_proba[:10]

【思考】预测标签的概率对我们有什么帮助: 预测标签的概率能够让我们判断该标签的可信度，越接近1的话可信度越高。

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。

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

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

from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)
# k折交叉验证分数
scores

# 平均交叉验证分数
print("Average cross-validation score: {:.3f}".format(scores.mean()))

思考: k折越多的情况下会带来什么样的影响？

    一般而言，k折越多，评估结果的稳定性和保真性越高，不过整个计算复杂度越高。一种特殊的情况是k=m，m为数据集样本个数，这种特例称为留一法，结果往往比较准确。

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。

    二分类问题的混淆矩阵是一个 2 维方阵，它主要用于评估二分类问题的好坏，它主要运用于二分类任务中。实际上，多分类问题依然可以转换为二分类问题进行处理。

混淆矩阵：

准确率 (Accuracy),精确度（Precision）,Recall,f-分数计算方法：

 

from sklearn.metrics import confusion_matrix
# 训练模型
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)
# 模型预测结果
pred = lr.predict(X_train)
# 混淆矩阵
confusion_matrix(y_train, pred)

from sklearn.metrics import classification_report
# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

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？

    ROC的全称是Receiver Operating Characteristic Curve，中文名字叫“受试者工作特征曲线”，顾名思义，其主要的分析方法就是画这条特征曲线。ROC曲线的存在主要用于衡量模型的泛化性能，即分类效果的好坏。

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)

思考：对于多分类问题如何绘制ROC曲线？

    经典的ROC曲线适用于对二分类问题进行模型评估，通常将它推广到多分类问题的方式有两种：对于每种类别，分别计算其将所有样本点的预测概率作为阈值所得到的TPR和FPR值(是这种类别为正，其他类别为负)，最后将每个取定的阈值下，对应所有类别的TPR值和FPR值分别求平均，得到最终对应这个阈值的TPR和FPR值。

posted @ 2021-07-21 20:42  呆叔编程567  阅读(395)  评论(0)  编辑  收藏  举报