[游戏开发]模型搭建和评估 —— 泰坦尼克任务

第二章：模型搭建和评估

熟悉的开始~

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

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

特征工程

特征工程是将原始数据转化成更好的表达问题本质的特征的过程，使得将这些特征运用到预测模型中能提高对不可见数据的模型预测精度。
特征工程 —— 传送门

任务一：缺失值填充

• 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
• 对连续变量缺失值：填充均值、中位数、众数

# 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().sum().sort_values(ascending=False)

任务二：编码分类变量

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

# 进行虚拟变量转换
data = pd.get_dummies(data)
data.head()

模型搭建和评估-建模

开始之前，加载下面的库

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

【思考】这些库的作用是什么呢？
【思考回答】

Seaborn提供了许多定制的主题和用于控制matplotlib图形外观的高级界面

%matplotlib inline
IPython有一组预先定义好的所谓的魔法函数（Magic Functions），
使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，
或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。
inline表示将图表嵌入到Notebook中。

载入我们提供清洗之后的数据(clear_data.csv)，大家也将原始数据（train.csv）载入，说说他们有什么不同

# 载入我们提供清洗之后的数据(clear_data.csv)
data = pd.read_csv('clear_data.csv')
train = pd.read_csv('train.csv')
data.shape,train.shape
data.head(2)
train.head(2)

不同点在于清洗过后的数据，没有‘Survived’
‘Name’这两列数据，并且文字型字段都转换成数值型字段，可以提高数据处理速度，有利于进行数据分析。

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

简单的来说，监督学习，是从标记的数据集和分类中进行机器学习任务；无监督学习，是从未经标记的数据集和分类中进行机器学习任务。
官方解释：监督学习：从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。
无监督学习：输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，clustering）试图使类内差距最小化，类间差距最大化。
监督学习与无监督学习 —— 传送门

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

Sklearn简介
Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering)等方法。当我们面临机器学习问题时，便可根据下图来选择相应的方法。Sklearn具有以下特点：
简单高效的数据挖掘和数据分析工具；
让每个人能够在复杂环境中重复使用；
建立NumPy、Scipy、MatPlotLib之上。

sklearn模型算法选择路径图

图示解析:
库的算法主要有四类：分类，回归，聚类，降维。其中：
常用的回归： 线性、决策树、SVM、KNN ；
集成回归：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用的分类：线性、决策树、SVM、KNN，朴素贝叶斯；
集成分类：随机森林、Adaboost、GradientBoosting、Bagging、ExtraTrees
常用聚类：k均值（K-means）、层次聚类（Hierarchical clustering）、DBSCAN
常用降维：LinearDiscriminantAnalysis、PCA
注：这个流程图代表：蓝色圆圈内是判断条件，绿色方框内是可以选择的算法。

【思考】数据集哪些差异会导致模型在拟合数据是发生变化
【思考回答】样本数量；研究的是否是分类问题；数据是否有标记 ；数据特征维度
数据拟合 —— 传送门

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？

1. 留出法
2. 交叉验证法
3. 自助法
   数据集划分的三种常见方式！—— 传送门

为什么使用分层抽样，这样的好处有什么？

1. 当一个总体内部分层明显时，分层抽样能够提高样本的代表性，从而提高由样本推断总体的精确性；
2. 分层抽样特别适用于既要对总体参数进行推断，也要对各子总体 (层)的参数进行推断的情形；
3. 分层抽样实施起来灵活方便，而且便于组织。

提示

• 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

要从clear_data.csv和train.csv中提取train_test_split()所需的参数

# 将数据集分为自变量和因变量
x = data
y = train['Survived']

# sklearn中切割数据集的方法为train_test_split
from sklearn.model_selection import train_test_split

# 查看函数文档可以在jupyter noteboo里面使用train_test_split?

# 要从clear_data.csv和train.csv中提取train_test_split()所需的参数
x = x = data
y = train['Survived']

# 切割数据集
x_train, x_test, y_train, y_test = train_test_split( x, y, stratify=y, random_state=42)

# 训练集与测试集数据形状
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
【思考回答】

数据集本身已经是随机处理之后的；或者数据集非常大，内部已经足够随机

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，分别得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

• 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

逻辑回归 实际上是一个分类模型，并且常用于二分类。
逻辑回归 ——传送门

正则化的主要作用是防止过拟合。对模型添加正则化项可以限制模型的复杂度，使得模型在复杂度和性能达到平衡。常用的正则化方法有L1正则化和L2正则化。

随机森林 是一个分类器，它包含多个决策树分类器。
决策树 包含根节点 ，内部节点和叶节点。根节点包含样本的全集，内部节点是对应特征的属性测试，叶节点代表决策的结果。预测的时候是在内部节点用某一个属性值进行判断。

# 导入线性模型所在的模块为sklearn.linear_model 
# 导入树模型所在的模块为sklearn.ensemble
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier

基于线性模型的分类模型（逻辑回归）

# 观察样本权重
train['Survived'].value_counts()

# 创建 LogisticRegression（逻辑回归）模型  + 用训练集的 x 和 y 对其进行训练
lr =  LogisticRegression().fit(x_train,y_train)
lr

# 查看训练集和测试集score值
# 格式化输出
print('训练集得分:{:.3f}'.format(lr.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(lr.score(x_test, y_test)))  # 测试集

# 调整参数后的逻辑回归模型
lr1 =  LogisticRegression(C = 0.01).fit(x_train,y_train)
print('训练集得分:{:.3f}'.format(lr1.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(lr1.score(x_test, y_test)))  # 测试集

# 调整参数后的逻辑回归模型
lr2 =  LogisticRegression(C = 1000).fit(x_train,y_train)
print('训练集得分:{:.3f}'.format(lr2.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(lr2.score(x_test, y_test)))  # 测试集
# 调整参数后的逻辑回归模型
lr3 =  LogisticRegression(class_weight = 'balanced').fit(x_train,y_train)
print('训练集得分:{:.3f}'.format(lr3.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(lr3.score(x_test, y_test)))  # 测试集

基于树的分类模型（决策树、随机森林）

#  创建基于树的分类模型（决策树、随机森林）
rfc =  RandomForestClassifier().fit(x_train,y_train)
print('训练集得分:{:.3f}'.format(rfc.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(rfc.score(x_test, y_test)))  # 测试集

# 调整参数后的逻辑回归模型 (调整森林中决策树的数量 + 设置决策树最大深度)
rfc2 =  RandomForestClassifier(n_estimators=100, max_depth=5).fit(x_train,y_train)
print('训练集得分:{:.3f}'.format(rfc2.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(rfc2.score(x_test, y_test)))  # 测试集

# 调整参数后的逻辑回归模型 （是否放回抽样）
rfc3 =  RandomForestClassifier(bootstrap = False).fit(x_train,y_train)  # 不放回
print('训练集得分:{:.3f}'.format(rfc3.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(rfc3.score(x_test, y_test)))  # 测试集

# 调整参数后的逻辑回归模型 （袋外样本）
rfc4 =  RandomForestClassifier(oob_score = True).fit(x_train,y_train)  # 不放回
print('训练集得分:{:.3f}'.format(rfc4.score(x_train, y_train)))  # 训练集
print('测试集得分:{:.3f}'.format(rfc4.score(x_test, y_test)))  # 测试集

【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
【思考回答】

线性模型中拟合的直线可以直接将其分隔成两类
针对于多分类问题，分类可以被分为多次，每一次只选择两个类别进行分类，重复多次

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

• 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

# 输出模型预测分类标签
# 利用逻辑回归预测训练集
lr.predict(x_train)

# 输出不同分类标签的预测概率
lr.predict_proba(x_train)

【思考】
预测标签的概率对我们有什么帮助
【思考回答】
能够告诉实验者可以多大程度上信任预测结果，从而考虑决定如何采取下一步地行动

模型搭建和评估-评估

加载下面的库

# 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
from sklearn.model_selection import train_test_split

%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

加载数据并分割测试集和训练集

# 加载数据并分割测试集和训练集
data = pd.read_csv('clear_data.csv')
train = pd.read_csv('train.csv')
x = data
y = train['Survived']

x_train, x_test, y_train, y_test = train_test_split( x, y, stratify=y, random_state=42)

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

5 - 折交叉验证

提示

• 交叉验证在sklearn中的模块为sklearn.model_selection

# 载入交叉验证在sklearn中的模块为sklearn.model_selection
from sklearn.model_selection import cross_val_score

# 10折交叉验证
lr = LogisticRegression()
print(cross_val_score(lr,x_train,y_train,cv=10))
score = cross_val_score(lr,x_train,y_train,cv=10)
score.mean()  # 计算平均值

【思考】k折越多的情况下会带来什么样的影响？
【思考回答】

k折越多为留一法，是K折的另一种极端情况，即K=n。随着K值的不断升高，单一模型评估时的方差逐渐加大而偏差减小。但从总体模型角度来看，反而是偏差升高了而方差降低了。
「交叉验证」到底如何选择K值？—— 传送门

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

二分类模型评价标准：混淆矩阵 —— 传送门

提示：混淆矩阵

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

实际为正样本且预测为正样本：True Positive (TP)
实际为负样本而预测为正样本：False Positive (FP)
实际为正样本而预测为负样本：False Negative (FN)
实际为负样本而预测为负样本：True Negative (TN)

方法

提示

• 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

# 载入混淆矩阵的方法在sklearn中的sklearn.metrics模块
# 载入精确率、召回率以及f-分数可使用classification_report模块
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

# 用逻辑回归模型进行预测
lr = LogisticRegression().fit(x_train,y_train)
y_pred = lr.predict(x_train)
# 计算混淆矩阵
confusion_matrix(y_train,y_pred,labels=[0,1])

y_train.value_counts(),357+55,74+182

# 计算精确率、召回率以及f-分数
print(classification_report(y_train,y_pred))   #  得出的 f1-score 为调和平均数

任务三：ROC曲线

绘制ROC曲线

【思考】什么是ROC曲线，ROC曲线的存在是为了解决什么问题？
【思考回答】
什么是ROC? —— 传送门

ROC，其主要分析工具是一个画在二维平面上的曲线——ROC 曲线。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的ROC曲线。

提示

• 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

# 载入ROC曲线在sklearn中的模块为sklearn.metrics 
from sklearn.metrics import roc_curve

fpr,tpr,thresholds = roc_curve(y_test,lr.decision_function(x_test))
fpr,tpr,thresholds  # fpr （真正例率），tpr（反正例率）,thresholds（判断正负类边界值）
plt.plot(fpr,tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

# 优化操作
# 给第三部分array增加绝对值 找到哪个数最靠近0  并把坐标存起来
close_zero = np.argmin(np.abs(thresholds))
close_zero

plt.plot(fpr,tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.plot(fpr[close_zero],tpr[close_zero],'o')
plt.title('LR ROC')

【思考】对于多分类问题如何绘制ROC曲线
【思考回答】多分类ROC曲线

总结

本章节利用特征工程对数据进行处理，包括缺失值的填充、编码分类变量，从而得到有用的建模数据。如何进行模型的建立，第一步当然是先选择合适的模型，这是尤为关键的，在实验过程中我们除了可以根据实际任务选择模型外，还可以根据样本量以及特征的稀疏性来决定。在此过程中，认识到了基于线性模型的分类模型（逻辑回归）和基于树的分类模型（决策树、随机森林），与此同时，根据模型输出的预测结果采取下一步行动。模型建立完成后，便是对其能力的评估，这里我们主要介绍了解了交叉验证（k 折交叉验证）和混淆矩阵。为了能够更加清晰明了地观察到模型效果，我们采用绘制ROC曲线的方法，并通过AUC标准来度量分类模型的好坏。