第二章——机器学习项目完整案例（End-to-End Machine Learning Project）

本章通过一个例子，介绍机器学习的整个流程。

2.1 使用真实数据集练手（Working with Real Data）

国外一些获取数据的网站：

• Popular open data repositories:

1. UC Irvine Machine Learning Repository
2. Kaggle datasets
3. Amazon’s AWS datasets

• Meta portals (they list open data repositories):

1. http://dataportals.org/
2. http://opendatamonitor.eu/
3. http://quandl.com/

• Other pages listing many popular open data repositories:

1. Wikipedia’s list of Machine Learning datasets
2. Quora.com question
3. Datasets subreddit

国内的一些数据源：

• 深圳市：http://opendata.sz.gov.cn/
• 贵州省：http://www.gzdata.gov.cn/
• 北京市：http://www.bjdata.gov.cn/
• 上海市：http://www.datashanghai.gov.cn/
• 青岛市：http://data.qingdao.gov.cn/
• 广州市：http://www.datagz.gov.cn/

 本章选择了加州房价数据集，代码可以从https://github.com/ageron/handson-ml获取。

2.2 分析整体情况（Look at the Big Picture）

我们的目的是使用加州的人口普查数据，建立模型，预测加州各区域的房价中位数。

训练数据的特征包括加州各区域的人口、收入中位数、房价中位数等。

2.2.1 问题构建（Frame the Problem，提出问题，给出框架，提出假设）

首先问清楚老板的商业目的，以及当前的解决方案（如果有的话）。比如，了解到了当前方案的错误率大概15%，我们就要奋斗目标了。

接下来就可以分析，这是一个有监督学习、无监督学习、还是增强学习？分类任务还是回归任务，或者别的什么？应该使用批量学习（batch learning）还是在线学习（online learning）？

如果数据量巨大，可以使用MapReduce技术，将数据分给多个服务器处理。也可是使用在线学习。

2.2.2 选择性能衡量指标（Select a Performance Measure） 

回归问题典型的衡量指标选择均方根误差（Root Mean Square Error，RMSE），它揭示了预测值的标准偏差（standard deviation）。

\begin{align*}
RMSE(X,h) = \sqrt{\frac{1}{m}\sum_{i=1}^{m}(h(X^{(i)}) - y^{(i)})^2}
\end{align*}

有时候样本中存在很多离群点（outlier） ，我们可能就会使用绝对误差（Mean Absolute Error，MAE）。

\begin{align*}
RMSE(X,h) = \frac{1}{m}\sum_{i=1}^{m}\left | h(x^{(i)}) - y^{(i)} \right |
\end{align*}

RMSE和MAE都是向量距离的度量方式（预测值向量和目标值向量）。向量的距离，也可以为称为向量的模（norm），有以下性质：

• RMSE对应于欧氏距离，也被称作$l_2$距离，记做$\left \| \cdot  \right \|_2$（或$\left \| \cdot  \right \|$）。
• MAE对应于$l_1$距离，记做$\left \| \cdot  \right \|_1$。
• 一般的，具有$n$的元素的向量$v$，$l_k$距离定义为$\left \| v \right \|_k = (\left | v_1 \right |^k + \left | v_2 \right |^k + \cdots + \left | v_n \right |^k)^{\frac{1}{k}}$。$l_0$仅仅给出向量的基数（比如非零元素的个数），$l_\infty$给出向量中最大元素的绝对值。
• 指数k最大，向量中最大元素的贡献就越大。这就是为什么相对于MAE，RMSE对离群点更敏感。但如果误差是指数级稀少（exponentially rare）的，例如钟形曲线（bell-shaped curve），RMSE的表现很好，也是通常的选择。

2.2.3 检查假设（Check the Assumptions） 

我们最好跟同事确认一下假设。例如，我们的房价预测值是给下游系统使用的。如果下游系统要把价格转换为类别（例如高、中、低），那么我们的问题就成了分类。

2.3 获取数据（Get the Data）

下面就开始动手操作了，代码位于https://github.com/ageron/handson-ml。

2.3.1 创建工作空间（Create the Workspace）

安装Python、安装Jupyter Notebook

2.3.2 下载数据

fetch_housing_data函数负责，代码里面有。

2.3.3 浏览数据（Take a Quick Look at the Data Structure）

介绍了pandas DataFrame里面的一些函数：head()、info()、describe()、value_counts()（针对类别属性，列出各个类别，以及类别数量）。

Matplotlib里面的hist()函数绘制直方图。

我们可以从直方图中发现以下几点：

1. 收入中位数（median income）并不是以美元为单位的，而是经过了预处理。最高一致被设置为了大概15（高于某一值的数据，都被设置为了15，即使它可能是25），最低值被设置为0.5（低于某一值的都被设置为0.5）。这在机器学习中很常见，也没什么问题。
2. 房龄中位数（housing median age）和房价中位数（median house value）也被处理过了。例如后者，房价高于500,000的，都被设置为500,000，即使真实房价800,000。这就是为什么它们所对应的直方图，最右列突然增高。但由于房价中位数是我们的目标属性，如果我们需要预测真实的房价，可能会高于500,000，这就存在问题了。那么有两种主要的解决方案：a、收集真实的房价。b、丢掉房价高于500,000的样本。
3. 这些属性具有不同的取值范围。这将在下文探索特征缩放是进行讨论。
4. 本多直方图呈现重尾分布（tail heavy）：左侧距离中位数要远于右侧。这不利于一些机器学习算法进行模式识别（tail heavy）。后面将进行转换，使这些属性更符合钟形分布（bell-shaped distributions）。

2.3.4 创建测试集（Create a Test Set）

在进一步分析数据之前， 应该创建一个测试集，并将其丢在一边，不去分析。

这是为了防止过拟合，防止数据探测法偏见（data snooping bias）。

只需要随机选择20%的数据作为测试集即可。

具体怎么随机选择，作者介绍了很多实践经验比如可以用如下代码实现：

from sklearn.model_selection import train_test_split
# random_state = 42 to make this notebook's output identical at every run
train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

 然后作者又介绍了为什么要分层抽样（stratified sampling）。

2.4 数据的探索和可视化（Discover and Visualize the Data to Gain Insights）

这是对数据进一步的探索，写一步不能考虑测试集，只分析训练集。

2.4.1 地理数据可视化（Visualizing Geographical Data）

使用散点图，分析了地理位置、人口、人均收入跟房价的关系。

2.4.2 相关性探索（Looking for Correlations）

计算相关系数（standard correlation coefficient）矩阵，分析其它属性跟房价的相关系数。

相关系数取值-1到1，解决1时说明是正相关，接近-1时说明是负相关。接近0说明非线性相关。下图显示了一些标准数据集的相关系数：

相关系数只能度量线性相关（例如：“如果$x$增长，$y$通常增长/减少。”），这会完全地错过非线性相关（例如：“如果$x$趋近于0，$y$通常增长。”）。例如上图的第三行，这些数据相关系数为0，但它们显然不独立，存在非线性关系。

2.4.3 尝试属性组合（Experimenting with Attribute Combinations）

例如可以增加以下三个属性：

housing["rooms_per_household"] = housing["total_rooms"]/housing["households"]
housing["bedrooms_per_room"] = housing["total_bedrooms"]/housing["total_rooms"]
housing["population_per_household"]=housing["population"]/housing["households"]

然后可以计算它们跟房价均值的相关系数。

2.5  为机器学习算法准备数据（Prepare the Data for Machine Learning Algorithms）

2.5.1 数据清洗（Data Cleaning）

大部分机器学习算法都无法处理存在控制的属性。前面已经注意到total_bedrooms存在缺失值。修复这一问题有三个选择：

• 去掉相应的样本
• 去掉这一属性
• 使用其它值对缺失值进行填充（0、均值、中位数等等）

这可以通过DataFrame的dropna(), drop(), and fillna()方法实现：

housing.dropna(subset=["total_bedrooms"]) # option 1
housing.drop("total_bedrooms", axis=1) # option 2
median = housing["total_bedrooms"].median()
housing["total_bedrooms"].fillna(median) # option 3　　

作者也介绍了怎么通过Scikit-Learn的Imputer实现这一目的。

2.5.2 处理文本和类型属性（Handling Text and Categorical Attributes）

ocean_proximity是一个无法计算中位数的文本属性。而大部分机器学习算法智能处理数字，这就需要将文本转为数字。

可以使用Scikit-Learn的LabelEncoder：

>>> from sklearn.preprocessing import LabelEncoder
>>> encoder = LabelEncoder()
>>> housing_cat = housing["ocean_proximity"]
>>> housing_cat_encoded = encoder.fit_transform(housing_cat)
>>> housing_cat_encoded
array([1, 1, 4, ..., 1, 0, 3])

这将['<1H OCEAN' 'INLAND' 'ISLAND' 'NEAR BAY' 'NEAR OCEAN']五个文本值编码为了0-4。但这样编码存在一个问题：ML算法会假设，靠近的两个数字比间隔远的两个数字更相似。未解决这一问题，可以采用one-hot编码。

2.5.3 自定义转换函数（Custom Transformers）

这一小节作者讲述了如何自定义Scikit-Learn的转换器（transformers）。

2.5.4 特征归一化（Feature Scaling）

最大最小归一化（min-max scaling）和标准化（Standardization）两个方法。前者比后者更容易收到离群点的影响。

2.5.5 转换流水线（Transformation Pipelines）

sklearn提供了一个类Pipeline，使得上述步骤可以进行流水操作。

2.6 选择模型并训练（Select and Train a Model）

作者选择了线性回归、决策树、随机森林三个模型。又介绍了交叉验证。

2.7 模型调整（Fine-Tune Your Model）

2.7.1 网格搜索（Grid Search）

介绍了如何使用Scikit-Learn’s GridSearchCV进行网格搜索，选取最优超参数。

另外，需要注意的是，我们可以把数据预处理阶段的一些操作视为超参数，并使用网格搜索找到最优方案。例如作者定义的CombinedAttributesAdder函数，有一个超参数add_bedrooms_per_room。相似的，使用网格搜索，可以自动寻找处理离群点、缺失值、特征选择等等问题的最优解决方案。

2.7.2 随机搜索（Randomized Search）

如果超参数的组合太少，随机搜索是网格搜索的一个不错的替代方案，也就是RandomizedSearchCV。与GridSearchCV搜索所有可能的参数组合不同，RandomizedSearchCV每次迭代的超参数都随机选取。这有两个好处：

• 如果使用随机搜索迭代1000次，这将对每个超参数探索1000个不同值（网格搜索对每个超参数只会探索很少的几个值）。
• 通过设置迭代次数，就可以方便地控制运算量。

2.7.3 模型融合（Ensemble Methods）

三个臭皮匠顶个诸葛亮，随机森林也好过单独的决策树。由于不同的模型错误类型也可能不同，所有我们可以训练多个模型，将预测结果进行融合。细节将在第7章介绍。

2.7.4 分析最优模型与其错误（Analyze the Best Models and Their Errors）

训练好模型后，可以查到每个属性的重要性，这就可以去掉一些不重要，与目标值不相关的属性。

2.7.5 在测试集上进行评估（Evaluate Your System on the Test Set）

2.8 系统上线、监控、维护（Launch, Monitor, and Maintain Your System）

上线之后，需要定期检查系统表现， 以及在崩溃是可以引发警报。不仅要检测到突发情况，还有检测到系统退化。因为随着时间的推移，系统退化是很常见侧，除非模型经常被最新的数据重新训练。

系统表现评估，可以对系统的预测随机采样并进行评估。一般这是需要人工分析的。可能是领域专家，也可能是众包平台（例如亚马逊的Mechanical Turk或者CrowdFlower）的工作者。无论如何，都要在系统中增加人工处理流水线。

同时要确保输入数据的质量。最好在数据输入时，就监控到异常数据。在线学习上这一点尤其重要。

最后，应该经常使用最新的数据训练模型，这一操作自动化程度越高越好。