1.模型的搭建
1.1 得到建模数据
#读取原始数据
train = pd.read_csv('train.csv')
#读取清洗过的数据集
data = pd.read_csv('clear_data.csv')1.2 选择合适的模型
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
机器学习主要分为两类
- 监督学习：教计算机如何去完成预测任务（有反馈），预先给一定数据量的输入和对应的结果即训练集，建模拟合，最后让计算机预测未知数据的结果。
- 无监督学习：相对于监督学习，训练集不会有人为标注的结果（无反馈），我们不会给出结果或无法得知训练集的结果是什么样，而是单纯由计算机通过无监督学习算法自行分析，从而“得出结果”。计算机可能会把特定的数据集归为几个不同的簇，故叫做聚类算法
两者的区别主要是是否需要人工参与数据结果的标注。
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 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
1.3 切割训练集和测试集
# 这里使用留出法划分数据集
# 留出法直接将数据集划分为两个互斥的集合，其中一个集合作为训练集，留下的集合作为测试集
# 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%)
# test_size=0.30
# 使用分层抽样
# random_state=0
# 设置随机种子以便结果能复现
# 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']
# 对数据集进行切割，按照y的比例进行分割，随机种子为0
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)
# 查看数据形状
print(X_train.shape, X_test.shape)划分训练基的方法https://blog.csdn.net/cczx139/article/details/80264492?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%88%92%E5%88%86%E8%AE%AD%E7%BB%83%E9%9B%86%E5%92%8C%E6%B5%8B%E8%AF%95%E9%9B%86&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-80264492.pc_search_es_clickV2&spm=1018.2226.3001.4187
https://blog.csdn.net/cczx139/article/details/80264492?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%88%92%E5%88%86%E8%AE%AD%E7%BB%83%E9%9B%86%E5%92%8C%E6%B5%8B%E8%AF%95%E9%9B%86&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-80264492.pc_search_es_clickV2&spm=1018.2226.3001.4187
?1.4模型的建立
模型建立的步骤
1.创建基于线性模型的分类模型（逻辑回归LogisticRegression()）或创建基于树的分类模型（决策树、随机森林，RandomForestClassifier（））
2.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
?3.查看模型的参数，并更改参数值，观察模型变化
#?RandomForestClassifier（）参数
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini', ????????????????????????????????????????max_depth=None, 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=10, n_jobs=None, ????????????????????????????????????????oob_score=False, random_state=None, verbose=0, ????????????????????????????????????????warm_start=False)
#LogisticRegression()参数
LogisticRegression(C=50, class_weight=None, dual=False, fit_intercept=True, ????????????????????????????????intercept_scaling=1, l1_ratio=None, max_iter=100, multi_class='warn', ????????????????????????????????n_jobs=None, penalty='l2', random_state=None, solver='warn', ????????????????????????????????tol=0.0001, verbose=0, warm_start=False)
# 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
# 默认参数逻辑回归模型
# lr = LogisticRegression(max_iter=1000)#默认max_iter=100。
# lr.fit(X_train, y_train)
# 调整参数后的逻辑回归模型
# lr2 = LogisticRegression(C=50,max_iter=1000)#c代表是正则化，C越小正则化越强
# lr2.fit(X_train, y_train)
# 默认参数的随机森林分类模型
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)1.5输出模型预测结果
# 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
print(pred[:10])# 预测标签概率
pred_proba = lr.predict_proba(X_train)
#
print(pred_proba[:10])?预测标签的概率表明模型对于预测结果的确信程度。有了概率，我们可以计算预测标签的信息熵，信息熵越大，说明模型对于预测结果越没有信心，这表明模型的输入可能与训练样本差异过大，从而成为一种异常检测的方法。
我们还可以利用预测标签的概率进行集成学习，比如软投票。
2.模型的评价
# 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
2.1交叉验证
# 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
# i=Image.open('Snipaste_2020-01-05_16-37-56.png')
# plt.figure("dd")
# plt.imshow(i)
# plt.show()
# Image('Snipaste_2020-01-05_16-37-56.png')
from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100,max_iter=1000)?
# k折交叉验证分数
scores = cross_val_score(lr, X_train, y_train, cv=10)
print(scores)
# 平均交叉验证分数
print("Average cross-validation score: {:.2f}".format(scores.mean()))\
?k折越多的情况下会带来什么样的影响？
K折越多，单次训练验证时，用作训练集的数据就会越多，而用作验证集的数据越少。这样平均的结果会更加可靠，但是所耗费的总时间也会增多。（用大量数据换取结果的可靠，但2时间增加。）
?2.2 混淆矩阵
混淆矩阵: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。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。
在对角线上的数值是正确的。
??
# 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
# 训练模型
lr = LogisticRegression(C=10,max_iter=1000)
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))
2.3 ROC曲线
# ROC曲线下面所包围的面积越大越好
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)
plt.show()