《数据分析实战-托马兹.卓巴斯》读书笔记第3章-从朴素贝叶斯分类器到复杂的神经网络、随机树森林
托马兹·卓巴斯的《数据分析实战》，2018年6月出版，本系列为读书笔记。主要是为了系统整理，加深记忆。第3章介绍了处理分类问题的种种技巧，从朴素贝叶斯分类器到复杂的神经网络和随机树森林。
第3章 探索数据
本章会介绍一些技术，帮助你对一个银行营销电话的数据进行分类。你将学习以下主题：
·测试并比较模型
·朴素贝叶斯分类器
·将逻辑回归作为通用分类器使用
·将支持向量机用作分类引擎
·使用决策树进行分类
·使用随机森林预测订阅者
·使用神经网络对呼叫进行分类
3.1导论
本章中，我们会对一个银行的营销电话进行分类，看看一个呼叫会不会带来一个信用卡业务。本文引用《A Data-Driven Approach to Predict the Success of Bank Telemarketing》中的数据，这本书可在http://archive.ics.uci.edu/ml/datasets/Bank+Marketing上找到。
为了能在我们的模型中使用，我们转换了数据。数据字典在/Data/Chapter03/bank_contacts_data_dict.txt。
3.2测试并比较模型
独立安装 pandas
>pip install pandas
独立安装 scikit-learn
>pip install scikit-learn
pandas让计算你所用模型的性能指标变得极其容易。我们使用下面的代码衡量模型的能力（Codes文件夹根目录下的helper.py文件）：
1 import sklearn.metrics as mt 2 3 def printModelSummary(actual, predicted): 4 ''' 5 Method to print out model summaries 6 ''' 7 print('Overall accuracy of the model is {0:.2f} percent'\ 8 .format( 9 (actual == predicted).sum() / \ 10 len(actual) * 100)) 11 print('Classification report: \n', 12 mt.classification_report(actual, predicted)) 13 print('Confusion matrix: \n', 14 mt.confusion_matrix(actual, predicted)) 15 print('ROC: ', mt.roc_auc_score(actual, predicted)) 16
原理
首先，我们从scikit-learn导入了metrics模块。然后，我们输出模型总体上的精确度。这是统计我们的模型与实际分类一致的次数（（actual==predicted）.sum（）），再除以测试样本的规模（len（actual）*100）得到的。这告诉了我们总体上成功的比例。如果独立变量的分布不对称，那么这个维度不能用来评估你的模型。
.confusion_matrix方法以一种很清晰的方式衡量我们的模型——矩阵的每一行代表着模型弄错（或预测对）的次数：
/* Consusion matrix: {[10154 1816] [559,946]} */
第一行，很明显一共是10154＋1816＝11970的实际观测值，其属于0这一类。其中，10154是正确预测的数目（我们把这种情况称作true negative，因为这代表着电话并没有带来信用卡业务），1816是错误预测的数目（我们把这种情况称作false positive，这类电话被我们的模型当成了“带来了信用卡业务”，实际上并没有）。
第二行展示了模型成功预测产出的次数：559次错误（称作false negative，电话带来了信用卡业务，而模型认为没有），946次正确（称作true positive，电话带来了信用卡业务，与模型的结论一致）。
这些数值可用于计算一些指标。使用.classification_report（...）方法生成这些指标：
精确率（Precision）衡量的是，当样本不是正类时，模型不将样本预测为正类的能力。这是true positive（946）与所有预测为正类的数量（1816＋946）的比值：这里是0.34，相当低。也可以为负类计算相对应的值：10154/（10154＋559）＝0.95。总体的精确率是个体精确率的加权平均，权重就是支持度。支持度（Support）是样本中各分类的实际数目。
召回率（Recall）可被看作模型找出所有正类的能力。这是真阳性对真阳性与假阴性之和的比值：946/（946＋559）＝0.63。同样地，可以用真阴性比上真阴性和假阳性之和，得到类别0的召回率。总体的召回率是各类别召回率的加权平均，权重是支持度。
综合评价指标（F1-score）是精确率和召回率的调和平均。即精确率和召回率乘积的两倍比上它们的和。用这一个指标来衡量模型表现的好坏。
用于评估模型表现的最后一个指标是ROC曲线（Receiver Operating Characteristic）。ROC曲线将模型的表现可视化（对分类的比例不敏感）。换句话说，这条曲线相当于以更多假阳性的代价换取更多真阳性的权衡。我们对ROC曲线下方的面积更感兴趣。一般认为0.9到1的模型是优秀的，而0.5和0.6这种的则没什么价值——这种模型和抛硬币做决定没什么差别。
在helper.py文件中，我们放了一些后续章节常用的辅助过程。使用最多的应该就是timeit（...）装饰器了。这个装饰器可用来测量程序的运行时间：
def timeit(method): ''' A decorator to time how long it takes to estimate the models 一个用于估算模块所需时间的装饰器 ''' def timed(*args, **kw): start = time.time() result = method(*args, **kw) end = time.time() print('The method {0} took {1:2.2f} sec to run.' \ .format(method.__name__, end-start)) return result return timed
这个装饰器返回的是timed（...）方法，这个方法测量的是一个方法执行过程的结束与开始的时间戳之差。要使用一个装饰器，我们将@timeit（或者@hlp.timeit）放在要测量的函数前面。timeit（...）方法唯一的参数，就是传递给timed（...）这个内部方法的method。timed（...）方法启动计时器，执行传递进来的函数，再打印出用了多久。
Python中的函数，也是可以传递的对象，和其他对象（比如int）没什么差别。所以，我们可以将方法作为参数传给另一个函数，并在内部使用。
关于（Python 3.7的）装饰器，可参考http://thecodeship.com/patterns/guide-to-python-function-decorators/。
参考
强烈推荐Scikit文档中关于分类器各种指标的部分：
http://scikit-learn.org/stable/modules/model_evaluation.html。
3.3朴素贝叶斯分类器
独立安装 pandas
>pip install pandas
独立安装 scikit-learn
>pip install scikit-learn
朴素贝叶斯分类器是最简单的分类技术之一。其理论基础是贝叶斯定理，在一个事件发生的情况下，求另一事件发生的概率：
P(A|B)=P(B|A)P(A)/P(B)
也就是说，我们有电话及通话方的各种特征（B），要计算电话带来信用卡业务的概率（A）。这就等价于计算：观测到的申请信用卡的频率P（A），乘以过去同意办理信用卡的通话方与电话具有这些特征的频率P（B|A），比上数据集中这些通话方与电话的频率P（B）。
本节示例需要装好pandas和scikit-learn。我们还要使用helper.py文件，所以你需要NumPy和time模块。
helper.py文件放在上一级目录，我们需要将上一层目录加到Python的环境变量中，Python会到这些路径下寻找代码：
# this is needed to load helper from the parent folder import sys sys.path.append('..') # the rest of the imports import helper as hlp import pandas as pd import sklearn.naive_bayes as nb
使用pandas构造朴素贝叶斯分类器只花两行代码。但到那一步之前得做点长一些的准备（classification_naiveBayes.py文件）：
1 # the file name of the dataset 2 r_filename = '../../Data/Chapter03/bank_contacts.csv' 3 4 5 # the file name of the dataset 6 r_filename = '../../Data/Chapter03/bank_contacts.csv' 7 8 # read the data 9 csv_read = pd.read_csv(r_filename) 10 11 # split the data into training（训练集） and testing（测试集） 12 train_x, train_y, \ 13 test_x, test_y, \ 14 labels = hlp.split_data( 15 csv_read, y = 'credit_application') 16 17 # train the model 训练模型 18 classifier = fitNaiveBayes((train_x, train_y)) 19 20 # classify the unseen data 21 predicted = classifier.predict(test_x) 22 23 # print out the results 24 hlp.printModelSummary(test_y, predicted) 25 26 @hlp.timeit 27 def fitNaiveBayes(data): 28 ''' 29 Build the Naive Bayes classifier 30 构造朴素贝叶斯分类器 31 ''' 32 # create the classifier object 构造一个分类 器对象 33 naiveBayes_classifier = nb.GaussianNB() 34 35 # fit the model 拟合模型 36 return naiveBayes_classifier.fit(data[0], data[1])
说明：
我们先从CSV文件读取数据，这一步大家应该很熟悉了（参见本书1.2节）。接着将数据拆成训练集和测试集，维持自变量（x）和因变量（y）的分离（参见本书2.8节）。
helper.py脚本的.split_data（...）方法将数据集拆成两个子集：默认情况下，2/3的数据用于训练，1/3的数据用于测试。这个方法是前一章方法略微复杂些的变体。有两个必需的参数（按顺序）是：data和y（因变量）。data参数应是pandas的DataFrame类型，y应传这个DataFrame中某列的名字。你可以用x参数传入一个列名的列表，作为指定的自变量（默认是选取除y外的所有列）（本章后面会详细讲这块）。你也可以给test_size参数传入一个0到1之间的数，以指定测试数据占的比例。
拆分完数据集，我们就可以构造分类器了。当前技巧和下一个技巧中，我们将用@hlp.timeit装饰器给不同的模型计时。
我们使用Scikit的.GaussianNB（）方法构建朴素贝叶斯分类器。这个方法不用传参数。使用.fit（...）方法拟合模型；要传的第一个参数是自变量的集合，第二个参数是因变量的向量。一旦拟合，我们就向主程序返回分类器。模型就构建成功。
下面我们要测试模型。.predict（...）方法处理test_x数据集，将样本分为两个桶：一个是带来信用卡申请的电话，一个是没带来申请的电话。
Scikit中不同模型遵循同样的命名模式；这样用起来就很方便。后续用到的其他模型都有.fit（...）和.predict（...）方法，这样不用修改代码，也能很方便地测试不同的模型。
我们用之前介绍的printModelSummary（...）方法测试模型的表现（参考本书3.2节）。fitNaiveBayes（...）在平均情况下，（在我的机器上）花费0.03秒。
在你的机器上，程序运行的时间很可能不同。我们只将这个时间用作与后续介绍的方法进行比较的基准（你也该如此）。
朴素贝叶斯在很多机器学习的应用中都有运用。比如，如何分类文本：http://sebastianraschka.com/Articles/2014_naive_bayes_1.html。
3.4将逻辑回归作为通用分类器使用
独立安装 pandas
独立安装 StatsModels
>pip install StatsModels
/* Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Installing collected packages: patsy, StatsModels Successfully installed StatsModels-0.10.2 patsy-0.5.1 FINISHED */
逻辑回归可能是第二广泛的回归模型（排在线性回归之后）。不过它也可用于解决分类问题。
要实践本技巧，你需要装好pandas和StatsModels。如果你使用的是Anaconda发行版Python，那么这两个模块都已预装。我们引入StatsModels的两个部分：
import statsmodels.api as sm import statsmodels.genmod.families.links as fm
前一个允许我们选取模型，后一个允许我们指定链接函数。
类似前一招的模式，我们先导入需要的模块，读入数据，拆分数据集。然后调用fitLogisticRegression（...）方法来预测模型（classification_logistic.py文件）：
@hlp.timeit def fitLogisticRegression(data): ''' Build the logistic regression classifier 构建逻辑回归分类器 ''' # create the classifier object 创建分类器对象 logistic_classifier = sm.GLM(data[1], data[0], family=sm.families.Binomial(link=fm.logit)) # fit the data拟合数据 return logistic_classifier.fit()
StatsModels模块提供了.GLM（...）方法。GLM代表广义线性模型（Generalized Linear Model）。广义线性模型是一族模型，可为其他分布生成一个线性回归（误差项的正态性假设之下）。模型可以表述为：
这里g是一个链接函数，Xβ是线性等式的集合，E（Y）是因变量的期望（把它看成一个非正态分布的平均值）。GLM用链接函数将模型与响应变量的分布关联起来。
这里有所有链接函数的列表：http://statsmodels.sourceforge.net/devel/glm.html#links。
StatsModels的.GLM（...）方法允许我们指定很多分布。在我们的例子中，应用了二项分布变量，这种变量只有两种取值：1代表带来信用卡申请的电话，0代表没带来信用卡申请的电话。这样我们就可以应用.families.Binomial（...）方法。实际上，二项分布族默认的链接函数就是logit，所以我们其实不用显式指定；我们这样做，只是为了在你要用其他链接函数时，知道怎么做。
StatsModels中实现的所有模型族列表：http://statsmodels.sourceforge.net/devel/glm.html#families。
我们更熟悉的也许是sigmoid函数，logit函数是其反函数（参见下图）：
如你所见，逻辑回归的输出只能在0和1之间变化，我们可以将其作为电话转化为信用卡申请的概率；一旦高于50%，我们就认为更有可能带来信用卡申请，将其归为1，否则就归为0。下面的代码可以获得这个效果：
# classify the unseen data 对隐藏的数据分类 predicted = classifier.predict(test_x) # assign the class指定类别 predicted = [1 if elem > 0.5 else 0 for elem in predicted] # print out the results打印结果 hlp.printModelSummary(test_y, predicted)
我们使用列表表达式将最终的分类赋给测试数据集。然后，我们用.printModel Summary（...）方法列出模型的性能表现。逻辑回归分类器的表现要比朴素贝叶斯的好，但这是建立在更高的计算代价之上的。
与朴素贝叶斯分类器相比，我们付出了高估false positive的代价，得到的是更好的归类true positive的能力。
StatsModels的GLM分类器允许我们打印出关于回归的更详细的结果，以及系数值和它们的统计表现。在分类器上调用的.summary（）方法会打印类似下图（缩略版）的结果：
Generalized Linear Model Regression Results ============================================================================== Dep. Variable: credit_application No. Observations: 27753 Model: GLM Df Residuals: 27701 Model Family: Binomial Df Model: 51 Link Function: logit Scale: 1.0000 Method: IRLS Log-Likelihood: nan Date: Sun, 15 Mar 2020 Deviance: nan Time: 16:56:57 Pearson chi2: 1.90e+19 No. Iterations: 100 Covariance Type: nonrobust ================================================================================================ coef std err z P>|z| [0.025 0.975] ------------------------------------------------------------------------------------------------ n_age -1.937e+13 4.09e+06 -4.74e+06 0.000 -1.94e+13 -1.94e+13 n_duration 1.091e+16 7.63e+06 1.43e+09 0.000 1.09e+16 1.09e+16 n_pdays -8.708e+14 7.45e+06 -1.17e+08 0.000 -8.71e+14 -8.71e+14 n_previous -6.625e+12 1.39e+07 -4.76e+05 0.000 -6.63e+12 -6.63e+12 n_emp_var_rate -3.034e+15 1.91e+07 -1.59e+08 0.000 -3.03e+15 -3.03e+15 n_cons_price_idx 7.766e+15 1.7e+07 4.57e+08 0.000 7.77e+15 7.77e+15 n_cons_conf_idx 2.743e+15 5.39e+06 5.09e+08 0.000 2.74e+15 2.74e+15 n_euribor3m -7.989e+15 1.43e+07 -5.57e+08 0.000 -7.99e+15 -7.99e+15 n_nr_employed 9.976e+15 2.09e+07 4.76e+08 0.000 9.98e+15 9.98e+15 job_admin -3.148e+14 1.23e+06 -2.56e+08 0.000 -3.15e+14 -3.15e+14 job_blue_collar -3.598e+14 1.34e+06 -2.68e+08 0.000 -3.6e+14 -3.6e+14 job_entrepreneur -3.638e+14 2.19e+06 -1.66e+08 0.000 -3.64e+14 -3.64e+14 job_housemaid -3.058e+14 2.5e+06 -1.22e+08 0.000 -3.06e+14 -3.06e+14 job_management -3.439e+14 1.74e+06 -1.98e+08 0.000 -3.44e+14 -3.44e+14 job_retired -2.012e+14 2.29e+06 -8.78e+07 0.000 -2.01e+14 -2.01e+14 job_self_employed -3.907e+14 2.2e+06 -1.78e+08 0.000 -3.91e+14 -3.91e+14 job_services -4.108e+14 1.58e+06 -2.6e+08 0.000 -4.11e+14 -4.11e+14 job_student -2.723e+14 2.86e+06 -9.53e+07 0.000 -2.72e+14 -2.72e+14 job_technician -2.846e+14 1.41e+06 -2.01e+08 0.000 -2.85e+14 -2.85e+14 job_unemployed -2.482e+14 2.47e+06 -1.01e+08 0.000 -2.48e+14 -2.48e+14 job_unknown -4.352e+14 4.24e+06 -1.03e+08 0.000 -4.35e+14 -4.35e+14 marital_divorced -9.426e+14 2.92e+06 -3.23e+08 0.000 -9.43e+14 -9.43e+14 marital_married -9.485e+14 2.78e+06 -3.42e+08 0.000 -9.48e+14 -9.48e+14 marital_single -9.31e+14 2.81e+06 -3.32e+08 0.000 -9.31e+14 -9.31e+14 marital_unknown -1.109e+15 7.48e+06 -1.48e+08 0.000 -1.11e+15 -1.11e+15 edu_basic_4y -3.349e+14 2.62e+06 -1.28e+08 0.000 -3.35e+14 -3.35e+14 edu_basic_6y -2.782e+14 2.78e+06 -1e+08 0.000 -2.78e+14 -2.78e+14 edu_basic_9y -3.374e+14 2.52e+06 -1.34e+08 0.000 -3.37e+14 -3.37e+14 edu_high_school -2.794e+14 2.47e+06 -1.13e+08 0.000 -2.79e+14 -2.79e+14 edu_illiterate -1.898e+15 1.59e+07 -1.19e+08 0.000 -1.9e+15 -1.9e+15 edu_professional_course -3.051e+14 2.59e+06 -1.18e+08 0.000 -3.05e+14 -3.05e+14 edu_university_degree -2.503e+14 2.46e+06 -1.02e+08 0.000 -2.5e+14 -2.5e+14 edu_unknown -2.477e+14 2.92e+06 -8.47e+07 0.000 -2.48e+14 -2.48e+14 default_unknown -1.301e+14 1.07e+06 -1.22e+08 0.000 -1.3e+14 -1.3e+14 default_yes -9.129e+14 4.75e+07 -1.92e+07 0.000 -9.13e+14 -9.13e+14 housing_unknown 1.694e+13 1.34e+06 1.26e+07 0.000 1.69e+13 1.69e+13 housing_yes -3.679e+13 8.24e+05 -4.47e+07 0.000 -3.68e+13 -3.68e+13 loan_unknown 1.694e+13 1.34e+06 1.26e+07 0.000 1.69e+13 1.69e+13 loan_yes -1.265e+13 1.13e+06 -1.12e+07 0.000 -1.27e+13 -1.27e+13 contact_cellular -1.92e+15 3.79e+06 -5.07e+08 0.000 -1.92e+15 -1.92e+15 contact_telephone -2.011e+15 4.2e+06 -4.79e+08 0.000 -2.01e+15 -2.01e+15 prev_ctc_outcome_failure -9.593e+14 4.53e+06 -2.12e+08 0.000 -9.59e+14 -9.59e+14 prev_ctc_outcome_nonexistent -7.454e+14 4.15e+06 -1.79e+08 0.000 -7.45e+14 -7.45e+14 prev_ctc_outcome_success -2.226e+15 4.54e+06 -4.9e+08 0.000 -2.23e+15 -2.23e+15 month_apr -9.509e+13 2.48e+06 -3.83e+07 0.000 -9.51e+13 -9.51e+13 month_aug 3.182e+14 2.51e+06 1.27e+08 0.000 3.18e+14 3.18e+14 month_dec -1.189e+15 5.67e+06 -2.1e+08 0.000 -1.19e+15 -1.19e+15 month_jul -4.792e+14 2.27e+06 -2.12e+08 0.000 -4.79e+14 -4.79e+14 month_jun -2.196e+15 4.82e+06 -4.56e+08 0.000 -2.2e+15 -2.2e+15 month_mar -9.509e+14 3.41e+06 -2.79e+08 0.000 -9.51e+14 -9.51e+14 month_may -4.898e+14 1.5e+06 -3.26e+08 0.000 -4.9e+14 -4.9e+14 month_nov 4.175e+14 1.96e+06 2.13e+08 0.000 4.17e+14 4.17e+14 month_oct 2.752e+14 3.11e+06 8.84e+07 0.000 2.75e+14 2.75e+14 month_sep 4.585e+14 3.8e+06 1.21e+08 0.000 4.58e+14 4.58e+14 dow_fri -8.033e+14 1.8e+06 -4.45e+08 0.000 -8.03e+14 -8.03e+14 dow_mon -8.761e+14 1.74e+06 -5.02e+08 0.000 -8.76e+14 -8.76e+14 dow_thu -7.73e+14 1.78e+06 -4.34e+08 0.000 -7.73e+14 -7.73e+14 dow_tue -7.526e+14 1.74e+06 -4.33e+08 0.000 -7.53e+14 -7.53e+14 dow_wed -7.26e+14 1.75e+06 -4.14e+08 0.000 -7.26e+14 -7.26e+14 ================================================================================================
显而易见，n_age变量是不显著的，从模型中舍弃也不会丢失多少精度，而n_duration变量，既显著，又对消费者是否申请信用卡有重大影响。这样的信息有助于确定你的模型，并在移除无关（且可能引入误差的）变量后让模型更好。
你也可以使用Scikit的方法来估计一个逻辑回归分类器（classification_logistic_alternative.py文件）：
/* The method fitLogisticRegression took 0.69 sec to run. Overall accuracy of the model is 91.15 percent Classification report: precision recall f1-score support 0.0 0.93 0.98 0.95 12030 1.0 0.68 0.40 0.50 1522 accuracy 0.91 13552 macro avg 0.80 0.69 0.73 13552 weighted avg 0.90 0.91 0.90 13552 Confusion matrix: [[11743 287] [ 913 609]] ROC: 0.6881371909691387 {'n_age': 0.21385522376961028, 'n_duration': 19.191139443277162, 'n_pdays': -0.8673162838021525, 'n_previous': -0.18411649033655933, 'n_emp_var_rate': -4.665790648993948, 'n_cons_price_idx': 2.6226190540263103, 'n_cons_conf_idx': 0.1321457450143668, 'n_euribor3m': 1.2577893320833486, 'n_nr_employed': -1.0950955374646227, 'job_admin': 0.015606031742936122, 'job_blue_collar': -0.22590019775314962, 'job_entrepreneur': -0.07105552322436609, 'job_housemaid': -0.166748843709672, 'job_management': 0.0016511122208341445, 'job_retired': 0.31613911985033627, 'job_self_employed': -0.10302101859015086, 'job_services': -0.14037817943629885, 'job_student': 0.17802965024700726, 'job_technician': -0.017165213063450657, 'job_unemployed': 0.018250921784332092, 'job_unknown': 0.004532611196154809, 'marital_divorced': -0.0283747974255571, 'marital_married': 0.0557151595182598, 'marital_single': 0.13716177614661754, 'marital_unknown': -0.3545616669747635, 'edu_basic_4y': -0.23092212023892777, 'edu_basic_6y': -0.156627551097012, 'edu_basic_9y': -0.22916859893223016, 'edu_high_school': -0.17797495084025308, 'edu_illiterate': 0.7469642970378965, 'edu_professional_course': -0.06316024234627139, 'edu_university_degree': -0.03984420682156178, 'edu_unknown': -0.039326155497083, 'default_unknown': -0.30134284129316585, 'default_yes': 0.0, 'housing_unknown': -0.11542935562620459, 'housing_yes': -0.027745897790976075, 'loan_unknown': -0.11542935562620459, 'loan_yes': 0.03692190860121382, 'contact_cellular': 0.15231778645440006, 'contact_telephone': -0.3423773151898108, 'prev_ctc_outcome_failure': -0.5210489740812024, 'prev_ctc_outcome_nonexistent': -0.12607757606633352, 'prev_ctc_outcome_success': 0.4570670214120743, 'month_apr': -0.1322878780570286, 'month_aug': 0.39290453068094094, 'month_dec': -0.09699979367892911, 'month_jul': -0.017157002315930734, 'month_jun': -0.22287078365578353, 'month_mar': 1.2715744551548396, 'month_may': -0.6823130145064639, 'month_nov': -0.4443492486046949, 'month_oct': -0.08951220175145218, 'month_sep': -0.1690485920009346, 'dow_fri': -0.06432307409320341, 'dow_mon': -0.22305048792318713, 'dow_thu': 0.0069370229422389225, 'dow_tue': -0.004280105768027797, 'dow_wed': 0.09465711610671972} */
尽管这个方法比StatsModels的要快，但这是付出了代价的，它不能评估哪些系数是统计显著的，或哪些不是；.LogisticRegression（...）分类器不能生成这些统计数据。
这个模型的结果和StatsModels中的类似，比起朴素贝叶斯分类器，都是用召回率换精确率。
下一章节我们会介绍mlpy，一个机器学习模块。其也能用于预计线性模型：http://mlpy.sourceforge.net/docs/3.5/liblinear.html。
3.5将支持向量机用作分类引擎
支持向量机（Support Vector Machines，SVM）是一族可用于分类和回归问题的强大模型。与前面的模型不同，其通过所谓的核技巧，将输入向量隐式地映射到高维的特征空间，可以处理高度非线性的问题。更宽泛的SVM的解释参见：http://www.statsoft.com/Textbook/Support-Vector-Machines。
要执行后续的技巧，你需要mlpy（Machine Learning PYthon）。mlpy不在Anaconda中，所以我们需要手动安装它。mlpy要求预装GSL（GNU Scientific Library）；有些系统可能已经装了GSL，所以我推荐先装mlpy。访问http://sourceforge.net/projects/mlpy/files/，下载最新资源（mlpy-<version>.tar.gz）。
注意这个地址只有32位，且只支持python3.3。
试着用pip直接安装：
pip install mlpy
/* Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Collecting mlpy ......... ERROR: Command errored out with exit status 1: 'd:\tools\python37\python.exe' -u -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'d:\\Temp\\pip-install-hkwwru7x\\mlpy\\setup.py'"'"'; __file__='"'"'d:\\Temp\\pip-install-hkwwru7x\\mlpy\\setup.py'"'"';f=getattr(tokenize, '"'"'open'"'"', open)(__file__);code=f.read().replace('"'"'\r\n'"'"', '"'"'\n'"'"');f.close();exec(compile(code, __file__, '"'"'exec'"'"'))' install --record 'd:\Temp\pip-record-f_wkvunv\install-record.txt' --single-version-externally-managed --compile Check the logs for full command output. Running setup.py install for mlpy: finished with status 'error' FINISHED */
解决方案：从非官方下载64位mlpy-3.5.0-cp37-cp37m-win_amd64.whl文件，python3.7命令行下手工安装即可。
下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#mlpy
注意，本章SVM代码还是运行32位能够通过。64位不行
pip install gsl
/* Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Collecting gsl Downloading https://pypi.tuna.tsinghua.edu.cn/packages/ee/1e/14d4c4657bc7130b900c65033861ee0db508d2d9206f4223f5da7c855acc/gsl-0.0.3-py3-none-any.whl Installing collected packages: gsl Successfully installed gsl-0.0.3 FINISHED */
用mlpy构造SVM分类器很简单。你只要指定SVM的类型和它的核（classification_svm.py文件）：
def fitRBFSVM(data): ''' Build the linear SVM classifier 构建线性SVM分类器 ''' # create the classifier object 构建分类器对象 svm = ml.LibSvm(svm_type='c_svc', kernel_type='linear', C=20.0) # fit the data应用数据 svm.learn(data[0],data[1]) #return the classifier返回分类器 return svm
原理:首先，我们加载mlpy。构建模型从调用.LibSvm（...）方法开始。我们指定的第一个参数是svm_type。c_svc指定的是C支持向量机分类器；C参数补偿了误差项。你也可以使用nu_svc参数，nu参数控制了你的样本中（最多）允许多少错误分类，以及你的观察值中（最少）有多少能成为支持向量。
顾名思义，kernel_type指定的是核的类型。我们可以选择线性、多项式、RBF（Radial Basis Functions，径向基函数）或S函数。根据你选择的核，模型会试着应用直线、多段线或者非线性的形状，来给我们的类别做最好的区分。
线性核适用于线性可分的问题，RBF可用于寻找类别之间高度非线性的界限。参考这里的展示：http://www.cs.cornell.edu/courses/cs578/2003fa/slides_sigir03_tutorial-modified.v3.pdf。
指定了模型之后，我们让它从数据中学习（.learn（...））支持向量。要使用一个RBF版本的模型，我们可以指定svm对象：
# create the classifier object 构建分类器对象 svm = ml.LibSvm(svm_type='c_svc', kernel_type='rbf', gamma=0.001, C=20.0)
这里的gamma参数指定了单个支持向量可影响的范围。你可以在这里看看gamma和C参数的关系：http://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html。
目前为止，介绍的分类方法中，SVM最慢。性能也不如逻辑回归分类器。这可不是说逻辑回归就是分类问题的万能解药了。对于这个特定的数据集，逻辑回归的性能比SVM好；对于其他非线性问题，SVM也许更适合，也许会有优于逻辑回归分类器的性能。这也能从我们的SVM测试中观察到：线性核SVM的表现优于RBF核SVM：
Tips:
/* Exception ignored in: 'libsvm.array1d_to_node' ValueError: Buffer dtype mismatch, expected 'int_t' but got 'long long' 64位可以安装，一直编译不过去，真是见鬼了，怀疑是64位whl有问题，待求证 */
解决方案：从非官方下载32位mlpy-3.5.0-cp37-cp37m-win32.whl文件，python官网下载32位安装文件python-3.7.5.exe
/* D:\tools\Python37_32\Scripts>dir 驱动器 D 中的卷是 Work 卷的序列号是 9E78-6D56 D:\tools\Python37_32\Scripts 的目录 2019-12-16 10:46 <DIR> . 2019-12-16 10:46 <DIR> .. 2019-12-16 10:43 93,042 easy_install-3.7.exe 2019-12-16 10:43 93,042 easy_install.exe 2019-12-16 10:46 93,025 f2py.exe 2019-12-16 10:45 93,029 pip.exe 2019-12-16 10:45 93,029 pip3.7.exe 2019-12-16 10:45 93,029 pip3.exe 6 个文件 558,196 字节 2 个目录 183,223,492,608 可用字节 D:\tools\Python37_32\Scripts>pip3.7 install mlpy-3.5.0-cp37-cp37m-win32.whl Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Processing d:\tools\python37_32\scripts\mlpy-3.5.0-cp37-cp37m-win32.whl Installing collected packages: mlpy Successfully installed mlpy-3.5.0 D:\tools\Python37_32\Scripts> */
/* The method fitLinearSVM took 139.84 sec to run. The method fitRBFSVM took 19.29 sec to run. Overall accuracy of the model is 90.77 percent Classification report: precision recall f1-score support 0.0 0.92 0.98 0.95 11967 1.0 0.64 0.32 0.43 1445 accuracy 0.91 13412 macro avg 0.78 0.65 0.69 13412 weighted avg 0.89 0.91 0.89 13412 Confusion matrix: [[11707 260] [ 978 467]] ROC: 0.6507284883487261 Overall accuracy of the model is 90.08 percent Classification report: precision recall f1-score support 0.0 0.91 0.99 0.95 11967 1.0 0.63 0.20 0.30 1445 accuracy 0.90 13412 macro avg 0.77 0.59 0.62 13412 weighted avg 0.88 0.90 0.88 13412 Confusion matrix: [[11797 170] [ 1161 284]] ROC: 0.5911670299783458 */
Scikit-learn也提供了预测SVM的方法（classification_svm_alternative.py文件）：
def fitSVM(data): ''' Build the SVM classifier ''' # create the classifier object svm = sv.SVC(kernel='linear', C=20.0) # fit the data return svm.fit(data[0],data[1])
这个例子中用了线性核，当然，你也可以使用RBF（实际上，.SVC（...）方法默认用的就是RBF）。得到的结果类似，但是要比mlpy快。如果需要的话，你也可以列出所有支持向量的信息；这些信息存在分类器的.support_vectors属性里：
/* The method fitSVM took 72.45 sec to run. Overall accuracy of the model is 90.16 percent Classification report: precision recall f1-score support 0.0 0.92 0.98 0.95 11952 1.0 0.65 0.32 0.43 1564 accuracy 0.90 13516 macro avg 0.79 0.65 0.69 13516 weighted avg 0.89 0.90 0.89 13516 Confusion matrix: [[11690 262] [ 1068 496]] ROC: 0.6476072662345889 [[0.41975309 0.16510777 1. ... 0. 0. 0. ] [0.27160494 0.41337942 1. ... 0. 0. 0. ] [0.45679012 0.17141114 1. ... 0. 0. 0. ] ... [0.55555556 0.06689711 1. ... 1. 0. 0. ] [0.55555556 0.04229362 0.001001 ... 1. 0. 0. ] [0.69135802 0.06791379 1. ... 0. 0. 0. ]] */
3.6使用决策树进行分类
决策树广泛用于解决分类问题。顾名思义，决策树是一个树状结构，由根节点向外蔓延出分支。在每个分支（决策）节点，剩余的数据以是否满足一个具体的决策标准为依据，划分为两组。这个过程重复进行，直到不能进行进一步的划分，或者终止（叶子）节点所有的样本都从属于同一个类（这时方差最小）。
要实践本技巧，你需要装好pandas和Scikit-learn。另一种方法需要mlpy。
Scikit-learn提供了DecisionTreeClassifier（...）类，我们可以用来预测决策树分类器（classification_decisionTree.py文件）：
def fitDecisionTree(data): ''' Build a decision tree classifier ''' # create the classifier object tree = sk.DecisionTreeClassifier(min_samples_split=1000) # fit the data return tree.fit(data[0],data[1])
首先，我们导入sklearn.tree模块，这个模块提供DecisionTreeClassifier（...）类供我们使用。然后我们从CSV文件读入数据，将数据集拆分成训练集和测试集。我们决定只是用所有变量的一个子集。将我们想用的变量列表作为x参数传入我们的.split\_data（...）方法：
train_x, train_y, \ test_x, test_y, \ labels = hlp.split_data( csv_read, y = 'credit_application', x = ['n_duration','n_nr_employed', 'prev_ctc_outcome_success','n_euribor3m', 'n_cons_conf_idx','n_age','month_oct', 'n_cons_price_idx','edu_university_degree','n_pdays', 'dow_mon','job_student','job_technician', 'job_housemaid','edu_basic_6y'] )
注意，我们的.split_data（...）方法不仅返回训练子集和测试子集，也返回各变量的标签。
现在有了训练子集和测试子集，我们可以应用决策树了：
# train the model classifier = fitDecisionTree((train_x, train_y))
DecisionTreeClassifier（...）类有多种操作方式。这里，我们仅仅指定每个决策节点的观测值不能少于1000个。
DecisionTreeClassifier（...）类的全部参数列表，参见http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html。
将模型应用（.fit（...）方法）到数据上之后，我们可以将test_x数据集中的观测值归类，打印出下面的结果：
/* The method fitDecisionTree took 0.06 sec to run. Overall accuracy of the model is 91.26 percent Classification report: precision recall f1-score support 0.0 0.94 0.96 0.95 12202 1.0 0.64 0.55 0.59 1585 accuracy 0.91 13787 macro avg 0.79 0.75 0.77 13787 weighted avg 0.91 0.91 0.91 13787 Confusion matrix: [[11710 492] [ 713 872]] ROC: 0.7549182349482967 0. n_duration: 0.5034721037471864 1. n_nr_employed: 0.3442687149792282 2. prev_ctc_outcome_success: 0.0 3. n_euribor3m: 0.041463681111437736 4. n_cons_conf_idx: 0.03422990519127428 5. n_age: 0.01335144575508925 6. month_oct: 0.009871520358454011 7. n_cons_price_idx: 0.005585809042490998 8. edu_university_degree: 0.0031636326509486726 9. n_pdays: 0.044546262351931966 10. dow_mon: 0.0 11. job_student: 2.661076258790501e-05 12. job_technician: 0.0 13. job_housemaid: 1.5845999849280513e-05 14. edu_basic_6y: 4.468049521049593e-06 */
目前为止，这是我们用过的最好的模型，精确率和召回率都很好。朴素贝叶斯虽然有类似的ROC值，其精确率却差得多（参见朴素贝叶斯分类器）。而预测决策树分类器只比朴素贝叶斯分类器稍慢。
Scikit也提供了一个很有用的.export_graphviz（...）方法，让你可以以.dot格式保存模型；.dot格式是GraphViz的本地格式：
# and export to a .dot file sk.export_graphviz(classifier, out_file='../../Data/Chapter03/decisionTree/tree.dot')
.dot文件本质上是一个文本文件，不便于阅读。不过，我们可以将其可视化。你可以使用GraphViz本身，或者，在Linux或Mac OS X上，你随时可以使用dot工具。
GraphViz是一个开源可视化工具。下载地址：http://www.graphviz.org/Download.php。
要为我们的树生成一个PDF文件，只需执行下面这行命令：
/* dot -Tpdf tree.dot -o tree.pdf */
dot命令可以多种格式输出这棵树：PNG（-.jpg）或者SVG（Scalable Vector Graphics（可缩放矢量图形），-Tsvg）等等。
完整的格式列表，参考http://www.graphviz.org/content/output-formats。
-o参数指定输出文件的名字（本例中，tree.pdf）。输出如下所示（简略版）：
上图中，每个节点都带有决策树的重要信息：
左边是决策节点，右边是最终的叶子节点。X[1]指定了我们样本中的变量。要追踪我们首先拆分的是哪个变量，我们可以打印出变量名，它们在数据集中的位置，以及它们的重要性：
# print out the importance of features for counter, (nm, label) \ in enumerate( zip(labels, classifier.feature_importances_) ): print("{0}. {1}: {2}".format(counter, nm,label))
前面的代码使用了enumerate（...）方法，这个方法返回两个元素：计数器和元组（nm，label）。zip（...）方法传入我们的标签对象和决策树分类器的.feature_importances_属性，创建出一个实体，这个实体将标签对象中元素与.feature_importances_中的元素根据位置一一对应，即，标签中的第一个元素对应.feature_importances_中第一个元素。我们的脚本输出如下（简略版）：
可以看到，我们的X[1]变量实际上是n_nr_employed。所以，如果n_nr_employed小于等于0.4690，我们就会循着树前往左边的下一个决策节点；否则，我们会往右边走。
决策节点的gini属性指的是基尼不纯度指标。它衡量的是一个随机选择的元素被分错的可能性：越接近0，你就对观测值没有被分错越有信心。
要学习如何计算基尼不纯度指标，参考http://people.revoledu.com/kardi/tutorial/Decision Tree/how-to-measure-impurity.htm。
决策节点中，samples属性指的是拆分了多少样本。即有多少样本落到叶子节点的每个类上。
更多
mlpy框架也能帮我们预测一个决策树分类器（classification_decisionTree_alternative.py文件）：
import mlpy as ml @hlp.timeit def fitDecisionTree(data): ''' Build a decision tree classifier ''' # create the classifier object tree = ml.ClassTree(minsize=1000) # fit the data tree.learn(data[0],data[1]) # return the classifier return tree
如同Scikit的DecisionTreeClassifier，我们也指定ClassTree（...）这个类的minsize参数。与Scikit相比，ClassTree（...）这个类可供折腾的选项更少，但也能生成一个同样有效的决策树分类器：
/* The method fitDecisionTree took 0.71 sec to run. Overall accuracy of the model is 91.22 percent D:\tools\Python37\lib\site-packages\sklearn\metrics\_classification.py:1268: UndefinedMetricWarning: Recall and F-score are ill-defined and being set to 0.0 in labels with no true samples. Use `zero_division` parameter to control this behavior. _warn_prf(average, modifier, msg_start, len(result)) Classification report: precision recall f1-score support -1.0 0.00 0.00 0.00 0 0.0 0.94 0.96 0.95 11942 1.0 0.65 0.56 0.60 1608 accuracy 0.91 13550 macro avg 0.53 0.51 0.52 13550 weighted avg 0.91 0.91 0.91 13550 Confusion matrix: [[ 0 0 0] [ 2 11455 485] [ 0 703 905]] ROC: 0.7611356006769036 */
3.7使用随机森林预测订阅者
随机森林属于集成模型。集成模型秉承的思想就是人多力量大；将多个弱模型（决策树）联合起来，得到一个反映其众数的预测。参考https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm。
要实践这个技巧，你需要装好pandas和scikit-learn。
如同前一个例子，scikit提供了构建随机森林分类器的简单方式（classification_random Forest.py文件）：
import sklearn.ensemble as en import sklearn.tree as sk @hlp.timeit def fitRandomForest(data): ''' Build a random forest classifier ''' # create the classifier object forest = en.RandomForestClassifier(n_jobs=-1, min_samples_split=100, n_estimators=10, class_weight="auto") # fit the data return forest.fit(data[0],data[1])
原理:首先，我们导入scikit-learn中的必要模块，以使用RandomForestClassifier（...）类。读入数据集，并将其拆成训练样本和测试样本后，我们预测RandomForestClassifier（...）。
RandomForestClassifier（...）有多个参数，更多信息参考http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html。
我们先指定n_jobs。这是指在估算和预测阶段Python应该并行跑多少个任务。如果你的数据集很大，有很多观测值和特征，集成模型中要估算数以千计的树，这个参数会有显著的影响。然而在我们的例子中，在-1（任务数对应处理器的核数）和1（单一任务）之间切换不会带来多大的差异。
和决策树分类器一样，min_samples_split参数控制着拆分时决策节点中观测值的最小数目。n_estimators指定了构建多少个弱模型；我们的例子中指定了10个，不过如果需要的话，指定几千个也是可以的。class_weight参数控制着每个类的权重。当你的输入数据中，各个类的频率高度偏斜时（就像我们的例子），这个参数就派上用场了。这个参数设成auto，意味着将类的权重设为频率的倒数。你可以自己指定class_weight：这个参数接受{class：weight}形式的字典。
.fit（...）方法可以接受一个sample_weight参数（我们的代码中没有体现）。这个指定了每个观测值的权重；所以，传入的值得是一个向量（列表），向量的长度要等于数据集的行数。如果有些观测值因为各种原因不可信，这个参数就很有用了；模型中不用丢弃这些观测值，你只需要指定小一些的权重就可以了。
估算RandomForestClassifier（...）的时间由多个因素决定：数据集的大小，分类器的数目，和指定的任务数目。我们的例子中，由配置决定了，其和决策树分类器相比不会太久。目前为止，这个模型在召回率和ROC两个指标上得分最高。精确率不如其他模型；这个模型生成的false positive比true positive要多：
/* The method fitRandomForest took 0.30 sec to run. Overall accuracy of the model is 86.00 percent Classification report: precision recall f1-score support 0.0 0.99 0.85 0.92 12058 1.0 0.43 0.92 0.59 1465 accuracy 0.86 13523 macro avg 0.71 0.88 0.75 13523 weighted avg 0.93 0.86 0.88 13523 Confusion matrix: [[10288 1770] [ 123 1342]] ROC: 0.8846252215542966 0. n_duration: 0.4894029629785369 1. n_nr_employed: 0.1316263044033158 2. prev_ctc_outcome_success: 0.04115542029423514 3. n_euribor3m: 0.07878501119397965 4. n_cons_conf_idx: 0.08192032521143604 5. n_age: 0.027459554226413115 6. month_oct: 0.012822570798719032 7. n_cons_price_idx: 0.06255811847948148 8. edu_university_degree: 0.005049798469728383 9. n_pdays: 0.05688625400786597 10. dow_mon: 0.0034728676038600532 11. job_student: 0.003466901827077513 12. job_technician: 0.0023592908732427884 13. job_housemaid: 0.0017758360204634734 14. edu_basic_6y: 0.0012587836116446092 */
Tips:
/* Traceback (most recent call last): File "D:\Java2018\practicalDataAnalysis\Codes\Chapter03\classification_randomForest.py", line 45, in <module> classifier = fitRandomForest((train_x, train_y)) File "D:\Java2018\practicalDataAnalysis\helper.py", line 13, in timed result = method(*args, **kw) File "D:\Java2018\practicalDataAnalysis\Codes\Chapter03\classification_randomForest.py", line 22, in fitRandomForest return forest.fit(data[0],data[1]) File "D:\tools\Python37\lib\site-packages\sklearn\ensemble\_forest.py", line 321, in fit y, expanded_class_weight = self._validate_y_class_weight(y) File "D:\tools\Python37\lib\site-packages\sklearn\ensemble\_forest.py", line 567, in _validate_y_class_weight % self.class_weight) ValueError: Valid presets for class_weight include "balanced" and "balanced_subsample".Given "auto". */
解决方案：参照官方文档https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html修改为balanced即可。
我们将所有的树输出到/Data/Chapter03/randomForest文件夹。在这个文件夹中，你会发现有个convertToPdf.sh脚本，自动将.dot格式转成.pdf格式。这个脚本在任何类UNIX环境（Linux、Mac OS X和Cygwin等）下都应该能正常工作。在这个文件夹下输入下面的命令运行脚本：
./convertToPdf.sh
脚本很简单：
#/bin/bash for f in *.dot; do echo Processing $f; dot -Tpdf $f -o ${f%.*}.pdf; done
接下来，for循环会遍历所有的.dot文件；每个文件的名字都存在f变量中。bash脚本里，我们用$f访问f变量中存的值。echo命令将我们当前处理的文件名字打印到屏幕上。然后，我们用已经熟悉了的dot命令将.dot文件转成PDF文档。注意一下我们是怎么去掉.dot扩展名，只提取出文件名，加上新格式的.pdf扩展名的。
梯度提升分类器虽然不是随机森林分类器，但也属于同一族模型。梯度提升树的原理和随机森林很类似——都是将弱模型联结起来预测分类。不同点在于，随机森林随机地训练树，而梯度提升尝试的是优化树的线性组合。
scikit提供了GradientBoostingClassifier（...）类，以应用梯度提升树（classifier_gradient Boosting.py文件）：
import sklearn.ensemble as en @hlp.timeit def fitGradientBoosting(data): ''' Build a gradient boosting classier ''' # create the classifier object gradBoost = en.GradientBoostingClassifier( min_samples_split=100, n_estimators=500) # fit the data return gradBoost.fit(data[0],data[1])
GradientBoostingClassifier（...）的参数集合类似于RandomForestClassifier（...）；我们也为一次拆分指定最少的样本数，并将弱模型的数目指定为10。
对我们的数据来说，梯度提升分类器比起随机森林，在召回率和ROC两个指标上表现较差，但是在精确率指标上表现更好：
/* The method fitGradientBoosting took 11.92 sec to run. Overall accuracy of the model is 91.35 percent Classification report: precision recall f1-score support 0.0 0.94 0.97 0.95 11984 1.0 0.65 0.51 0.57 1525 accuracy 0.91 13509 macro avg 0.79 0.74 0.76 13509 weighted avg 0.91 0.91 0.91 13509 Confusion matrix: [[11567 417] [ 752 773]] ROC: 0.7360444253540239 0. n_duration: 0.46196008952421486 1. n_nr_employed: 0.2697341442143176 2. prev_ctc_outcome_success: 0.006951174326559933 3. n_euribor3m: 0.10057168252401916 4. n_cons_conf_idx: 0.04414534932562641 5. n_age: 0.025543351750548025 6. month_oct: 0.0182558540256949 7. n_cons_price_idx: 0.019076218075925366 8. edu_university_degree: 0.0012984467423719616 9. n_pdays: 0.0478102506589297 10. dow_mon: 0.002763907902594316 11. job_student: 0.00040155661288408193 12. job_technician: 0.0005351738521636878 13. job_housemaid: 0.00048743439032264315 14. edu_basic_6y: 0.0004653660738274407 */
3.8使用神经网络对呼叫进行分类
人工神经网络（Artificial Neural Networks，ANN）是模仿生物大脑功能的机器学习模型。神经网络的一个基本单元是一个叫作神经元的结构。一个神经元有一个或多个输入和一个细胞体——神经元中的一个部分，汇总输入信号，经由激活（迁移）函数决定是否（以及如何）传播至输出。人工神经元可以实现多种迁移函数。从一些基本函数，比如阶跃函数，仅当满足某个临界值才会发送信号；到不对信号做任何改动的线型函数；再到tanh、sigmoid或RBF等非线性函数。
神经元网络将神经元组织成层。输入层介于训练数据集和神经网络之间，它需要和x变量同样数目的输入神经元。隐藏层有很多神经元。这些神经元的输入端可以与前一层的一个、多个或所有神经元相连；信号到达下一层之前会由这些联结加上权重，要么放大，要么阻尼。输出层神经元的数目要与输出变量的层数相等。在我们的例子中，由于依赖变量有两层：某人是否申请信用卡，所以我们用了两个神经元。下面是两个隐藏层的神经网络的一个典型布局：
神经元网络的训练，其实是神经元之间联结权重的变更，与每个神经元激活函数参数的调整。最流行的监督学习范式是误差反向传播训练方法。这个算法计算网络的输出与目标变量之间的误差，然后将误差反向传播到前一层，根据特定神经元对输出的影响，调整联结和神经元的参数。
要实践这个技巧，你需要安装pandas和PyBrain。要安装PyBrain，执行这些命令：
>pip install pybrain
/* Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple Collecting pybrain Downloading https://pypi.tuna.tsinghua.edu.cn/packages/be/42/b40b64b7163d360425692db2f15a8c1d8fe4a18f1c5626cf7fcb5f5d5fb6/PyBrain-0.3.tar.gz (262kB) Building wheels for collected packages: pybrain Building wheel for pybrain (setup.py): started Building wheel for pybrain (setup.py): finished with status 'done' Created wheel for pybrain: filename=PyBrain-0.3-cp37-none-any.whl size=399050 sha256=71115d497b1d6adccc940fbf8d9157d24de10e540ab5aa7c78bbec87f3e31dd8 Stored in directory: C:\Users\tony zhang\AppData\Local\pip\Cache\wheels\40\1f\6f\76fd7bd538d813b220f1f373a57e61bd4611757ce3a3a1b2fb Successfully built pybrain Installing collected packages: pybrain Successfully installed pybrain-0.3 FINISHED */
用PyBrain估算一个简单的神经元网络相当轻松：
import sklearn.naive_bayes as nb @hlp.timeit def fitNaiveBayes(data): ''' Build the Naive Bayes classifier 构造神经元分类器 ''' # create the classifier object 构造一个分类 器对象 naiveBayes_classifier = nb.GaussianNB() # fit the model 拟合模型 return naiveBayes_classifier.fit(data[0], data[1])
首先，我们从PyBrain载入所有必要的模块。.structure让我们可以访问多种激活函数（参考http://pybrain.org/docs/api/structure/modules.html）。.supervised.trainers模块为我们的网络提供了监督方法（http://pybrain.org/docs/api/supervised/trainers.html）。最后一个，.tools.shortcuts，允许我们快速构建网络。
在这个例子中，我们构建一个简单的单隐藏层网络。不过，在做这个之前，我们要先准备好数据集：
def prepareANNDataset(data, prob=None): ''' Method to prepare the dataset for ANN training and testing ''' # we only import this when preparing ANN dataset import pybrain.datasets as dt # supplementary method to convert list to tuple def extract(row): return tuple(row) # get the number of inputs and outputs inputs = len(data[0].columns) outputs = len(data[1].axes) + 1 if prob == 'regression': outputs -= 1 # create dataset object dataset = dt.SupervisedDataSet(inputs, outputs) # convert dataframes to lists of tuples x = list(data[0].apply(extract, axis=1)) if prob == 'regression': y = [(item) for item in data[1]] else: y = [(item,abs(item - 1)) for item in data[1]] # and add samples to the ANN dataset for x_item, y_item in zip(x,y): dataset.addSample(x_item, y_item) return dataset
我们假设，输入数据是两个元素组成的元组：第一个元素是带有所有自变量的DataFrame，第二个元素是带有因变量的pandas序列结构。
你可以将序列看成一个DataFrame的单列。
在我们的方法中，我们首先导入pybrain.datasets。我们采用这种方式，是为了当我们不需要在脚本中使用这方法时，不用将模块装载到内存中。
然后我们决定网络有多少输入和输出。输入的数量就是我们输入数据集的列数。而输出的数目，如同前面所说，是我们因变量的层数。我们用.SupervisedDataSet（...）创建了ANN数据集的骨架。x对象中有所有的输入观测值，y对象中有我们的目标变量；这两个结构是元组构成的列表。要创建x，我们用extract（...）方法将数据（以列表传入）转换成元组；要构建训练网络的数据集，这一步是必要的。我们使用DataFrame的.apply（...）方法，将.extract（...）方法应用到DataFrame的每一行上。
extract（...）方法只可由prepareANNDataset（...）方法中的对象访问；你不能在printModel Summary（...）这种方法中使用。
y对象中也有一个元组列表。y中的元组以这种取反的方式创建：如果第一个元素是0，那么另一个元素就是1；要达到这样的效果，我们使用一个简单的数学小技巧，（item，abs（item-1）），即，如果客户不申请信用卡，那么我们的目标变量就是0，减去1（得到-1）并取绝对值（得到1）。本质上，我们是给“客户不申请信用卡”这个事件设置了一个为真的标志变量。
这样过一遍之后，我们可以使用.addSample（...）方法，将观测值添加到最终的数据集中。.addSample（...）方法接受的参数是输入和目标变量构成的元组。
既然准备好了数据集，我们便可以训练网络了。我们的.fitANN（...）方法输入数据集，先决定输入和目标神经元的数目；我们使用SupervisedDataSet输入和目标对象的.shape属性来获取列的数目。
然后创建真正的ANN。我们使用PyBrain中内建的一个快捷方法：.buildNetwork（...）方法。第一个匿名参数是输入层神经元的数目，第二个是隐藏层神经元的数目，第三个，在我们的例子中，是输出层神经元的数目。
buildNetwork方法可接受任意数目的隐藏层。这个方法将最后一个匿名参数作为输出层神经元的数目。
我们也指定隐藏层和输出层的激活函数：hiddenclass参数为隐藏层指定了TanhLayer，outclass参数指定了SoftmaxLayer。tanh函数将输入压缩到0和1之间的范围，曲线形状和S函数相似。
选取激活函数时，tanh优于S函数，原因超出了本书范围。可以参考这篇论文：http://yann.lecun.com/exdb/publis/pdf/lecun-98b.pdf。
最后一个参数是偏差。设为true时，细胞体中的求和函数会包括一个训练时调整的常数项。想想线性函数的形式：y＝AX＋b，A是输入的权重向量，X是输入变量的向量，b就是偏差。
既然定义好了网络，我们便需要指定训练的机制。我们使用反向传播算法训练网络。.BackpropTrainer（...）方法接受我们新创建的网络作为第一个参数。而我们之前创建的数据集是第二个参数。我们还指定了两个属性：详细模式以追踪训练的进度，并且关闭了批量学习。关闭批量学习让训练处于在线模式；在线模式在每一次观测之后都更新权重和神经元的参数。与此相反，批量学习在每次训练循环（迭代）后才将更新应用到网络结构上。
训练循环，即迭代，是将训练数据集中所有观测值在网络中过一遍的周期。
现在就是要训练网络了。在新创建的训练者对象上，我们调用.trainUntilConvergence（...）方法。
你可以用.train（）方法训练一个迭代，也可以用.trainEpochs（...）方法训练多个迭代。更多细节参考http://pybrain.org/docs/api/supervised/trainers.html。
这个方法一直运行到收敛为止，此时，再来一次迭代也不会给训练集或验证集带来更好的结果，或者达到了maxEpochs数目。我们可以给validationProportion赋值0.25，这意味着我们用训练数据集的四分之一来验证我们的模型。
验证数据集是训练数据集的一个子集，不会用来训练网络。ANN训练的首要目标是将网络的输出和目标变量之间的误差最小化。然而，这样可能导致这种场景，模型完美适应每一个训练观测值（也就是说，网络的误差为0），但是不能很好地泛化（参考https://clgiles.ist.psu.edu/papers/AAAI-97.overfitting.hard_to_do.pdf）。所以，为了避免过拟合，网络追踪与验证数据集之间的误差；当误差开始增大时，训练终止。
在我们的训练方案中，我们将continueEpochs设为3，这样当训练者看到与验证数据集之间的误差开始上升后，它还会继续迭代3次才终止。这是考虑到网络找到了一个局部的最小值，再经一两个迭代后，误差会在上升后再次回落。
训练好网络之后，我们现在可以预测归类了：
# train the model 训练模型 classifier = fitNaiveBayes((train_x, train_y)) # classify the unseen data predicted = classifier.predict(test_x)
.activateOnDataset（...）方法输入测试数据集，生成一个预测；对测试数据集中的每个观测值，网络激活并生成一个结果。预测的对象现在有两个值的输出；我们想找出最小值的下标，作为我们的归类。我们使用.argmin（...）方法得到这个结果。
由于结构比之前介绍的模型都要复杂，ANN的估算要多花些时间。在我们的例子中，与之前介绍的SVM模型相比，神经元网络表现更好，但是显著地慢：
另外，之前介绍的模型，我们可以分析系数，但对ANN来说却不容易。除非是一个很简单的网络，否则网络的参数难于解释。神经网络经常以黑盒形式使用：给它一个输入，吐给你一个输出，但你没法评估它是怎么做的。
我不是暗示你总是使用更简单的模型——我的观点远非如此。有些领域，设计显式的模型会比设计和使用ANN要复杂得多，神经元网络在这些领域已经获得巨大的成功。比如，语音识别和图像识别的模型，如果采用显式的方式，要理解模型的每个组件以及组件如何影响输出，这会极度复杂。如果这些显式信息并不是必需的，ANN就很好用。
有了PyBrain，我们可以构建更复杂的网络。这个例子中，我们构建了两层隐藏层的ANN：
# create the classifier object ann = pb.buildNetwork(inputs_cnt, inputs_cnt * 2, inputs_cnt / 2, target_cnt, hiddenclass=st.SigmoidLayer, outclass=st.SoftmaxLayer, bias=True
这个构建的网络有两层隐藏层：第一个有20个隐藏神经元，第二个有5个。
创建和估算一个更复杂的模型，花费的投资并不会白费——与简单的相比，估算的时间将近有两倍，表现还更差
/* The method fitANN took 794.88 sec to run. Overall accuracy of the model is 91.17 percent Classification report: precision recall f1-score support 0.0 0.94 0.96 0.95 11968 1.0 0.63 0.52 0.57 1526 accuracy 0.91 13494 macro avg 0.79 0.74 0.76 13494 weighted avg 0.91 0.91 0.91 13494 Confusion matrix: [[11513 455] [ 736 790]] ROC: 0.7398376338650557 */
要解释神经元网络多种结构的细节，远远超出了本书的范围。在本技巧的介绍中，我们试着勾勒出大致结构，这样你会对模型原理有一个更好的理解。要是有读者对人工神经元网络感兴趣，又有数学功底，原作者强烈推荐阅读Simon O.Harkin的《Neural Networks and Learning Machines》，http://www.amazon.com/Neural-Networks-Learning-Machines-Edition/dp/0131471392。
第3 章完。
随书源码官方下载：
http://www.hzcourse.com/web/refbook/detail/7821/92
