动手学习数据分析————第五部分
模型建造和评估-建模
经过前面的知识点的学习,我可以对数数据的本身进行处理,某些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。这一节的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,,建造一个预测模型或其他模型;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,下一段我们学习评估。
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,完成泰坦尼克号幸存的预测这个任务。
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
%matplotlib inline
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
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
# 读取原数据数集 train = pd.read_csv('train.csv') train.shape
train
#读取清洗过的数据集 data = pd.read_csv('clear_data.csv')
data
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')
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?
为什么使用分层抽样,这样的好处有什么?
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
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 = datay = 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)
# 查看数据形状 X_train.shape, X_test.shape
【思考】什么情况下切割数据集的时候不用进行随机选取
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2
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
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: {:.2f}".format(lr.score(X_train, y_train))) print("Testing set score: {:.2f}".format(lr.score(X_test, y_test)))
# 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: {:.2f}".format(lr2.score(X_train, y_train))) print("Testing set score: {:.2f}".format(lr2.score(X_test, y_test)))
# 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: {:.2f}".format(rfc.score(X_train, y_train))) print("Testing set score: {:.2f}".format(rfc.score(X_test, y_test)))
# 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: {:.2f}".format(rfc2.score(X_train, y_train))) print("Testing set score: {:.2f}".format(rfc2.score(X_test, y_test)))
【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
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
# 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
模型建造和评估-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
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' data = pd.read_csv('clear_data.csv') train = pd.read_csv('train.csv') X = datay = 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)
# 默认参数逻辑回归模型 lr = LogisticRegression() lr.fit(X_train, y_train)
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
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
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: {:.2f}".format(scores.mean()))
思考4
k折越多的情况下会带来什么样的影响?
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
#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
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
【思考】
如果自己实现混淆矩阵的时候该注意什么问题
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?
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
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
作为一个菜鸟在这次入门数据分析的学习中,有遇到很多没有见过的函数,也对数据分析有的一个初步的了解,在学习过程中有很多都是copy答案里面的代码,都是边看边了解,无论如何,这只是个开始~
- 数据分析学习-第五课 numpy读取本地数据和索引(第2-3节)(有相应课件视频下载链接在文末)
- 数据分析学习之路——(二)链家网部分城市新开楼盘分析
- 数据分析学习-第五课 numpy读取本地数据和索引(第1节)(有相应课件视频下载链接在文末)
- Python 数据分析部分学习笔记
- 学习笔记(09):动手写代码之前必须的准备工作-1.5.第1季第5部分-1.5.6.跟着数据手册学单片机1...
- python爬虫与数据分析学习-基础班-第五课
- 数据文件结构分析——第五部分
- Python数据分析入门——无监督学习部分
- DirectShow 学习(四) 部分Helper Classes类源代码分析(转载)
- 机器学习、大数据、深度学习、数据挖掘、统计、决策和风险分析、概率和模糊逻辑的常见问题解答
- 第五部分 特性、数据和索引器2---------------
- LAMP转帖 2009第三届PHP中国开源发展及人才状况调查报告 第五部分 PHP开源发展及人才状况综合分析
- JavaScript学习笔记-- undefined and null 数据类型分析
- 北美18名校的数据挖掘,数据分析,人工智能及机器学习课程汇总
- Silverlight教程第五部分:用 ListBox 和 DataBinding 显示列表数据 (木野狐译)
- 数据文件结构分析——第二部分
- Linux学习------分析list.h 之 函数部分
- 音视频编解码知识学习详解(分多部分进行详细分析)
- 微软SQLServer官方示例项目部署-数据引擎和分析服务部分
- 北美+德国18名校的数据挖掘、数据分析、人工智能及机器学习课程资源汇总