第三章 模型搭建和评估--建模

建模与评估涉及到入门的数据分析与数据挖掘的技术,因此就不省略了
感受整个数据处理到分析的过程

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，完成泰坦尼克号存活预测这个任务。

准备工作:

1. 库导入
2. 嵌入notebook图
3. 字体 图片 符号的正常化

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？你需要查一查
#思考题回答

1. %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。
2. 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

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

#读取原数据数集
train = pd.read_csv('train.csv')
train.shape
train.head()

#读取清洗过的数据集
data = pd.read_csv('clear_data.csv')
data.head()

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
1）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

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

图示解析:
由图中，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

操作流程：
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。你可以根据自己的数据特征和任务目标去找到一条自己的操作路线，一步步做就好了。

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（Hold-out）2）交叉验证法（Cross Validation）3）自助法（BootStrapping）
  

• 为什么使用分层抽样，这样的好处有什么？让各个层次/区间的样本都能被抽到 更均匀
  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 = data
y = 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

Output:((668, 11), (223, 11))

【思考】

什么情况下切割数据集的时候不用进行随机选取?数据本身是随机无规律的分布的

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 线性分类模型？？
• 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 啥叫过拟合
• 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
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
#思考回答
个人感觉是被拟合的直线给分隔开 来进行分类 一般也就二分
分类被分为多次 每一次只选择两个类别进行分类

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
#思考回答
​
告诉我们可以多大程度上信任预测结果，来决定如何采取下一步行动