坦克尼克号存活率预测

主要涉及到的内容有：数据处理（对空白数据进行填充：Imputer）、自定义转换器、pipeline的编写以及采用SVC及RandomForestClassifier进行分类预测

采用的数据集来自Kaggle的坦克尼克号的预测（Titanic challenge ）

读取数据

import os
TITANIC_Path = os.path.join('datasets','titanic')

import pandas as pd

def load_titanic_data(filename,titanic_path = TITANIC_Path):
    csv_path = os.path.join(titanic_path,filename)
    return pd.read_csv(csv_path)

train_data = load_titanic_data('train.csv')
test_data = load_titanic_data('test.csv')

train_data.head()

 

查看数据信息：

train_data.info()

train_data.describe()

 使用value_counts()查看属性出现的次数

train_data['Survived'].value_counts()

train_data['Pclass'].value_counts()

train_data['Sex'].value_counts()

 进行转换器的编写，需要继承BaseEstimator以及TransformerMixin两个类，需要实现fit方法以及transform方法

from sklearn.base import BaseEstimator,TransformerMixin
class DataFrameSelector(BaseEstimator,TransformerMixin):
    def __init__(self,attribute_names):
        self.attribute_names = attribute_names
    def fit(self,X,y = None):
        return self
    def transform(self,X):
        return X[self.attribute_names]

转换器DataFrameSelector用于选择某个属性的数据
通过pipeline将数据传给DataFrameSelector中进行数据的筛选

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Imputer 

num_pipline = Pipeline([
    ('select_numeric',DataFrameSelector(['Age','SibSp','Parch','Fare'])),
    ('imputer',Imputer(strategy = 'median')),
])

在执行fit_transform()方法时，先执行了fit方法，将属性Age、SibSp、Parch、Fare传给了DataFrameSelector，返回这属性的数据，并将数据通过Imputer对空白数据进行填充

s =num_pipline.fit_transform(train_data)
s

s.shape

 可看到Age原本只有714条为非空数据，现在都是891条数据了

Imputer仅对数字型的数据具有数据填充的功能，但对字符型的它真是有点爱莫能助了，但方法总比困难多

class MostFrequentImputer(BaseEstimator,TransformerMixin):
    def __init__(self):
        pass
    def fit(self,X,y = None):
        self.most_frequent_ = pd.Series([X[c].value_counts().index[0] for c in X],index = X.columns)
#         print([X[c].value_counts().index[0] for c in X])
        return self
    def transform(self,X,y = None):
        return X.fillna(self.most_frequent_)

MostFrequentImputer转换器作用是将出现频率最多的作为填充数据，对空白数据进行填充

这里还要注意到：读取表头的方法，也是令我耳目一新，[X[c].value_counts().index[0] for c in X]，可以对它进行化简

[c for c in train_data]

 可以专门把表头给读取出来

还有需要对pd.Series()方法进行介绍：

 　　Pandas是基于Series和DataFrame两种数据类型的。

参考：https://blog.ouyangsihai.cn/%2Fpandas-jiao-cheng-series-he-dataframe.html

　　Series：一种类似于一维数组的对象，是由一组数据（各种Numpy数据类型）以及一组与之相关的数据标签（即索引）组成

　　DataFrame：一个表格型的数据结构，包括有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型等），DataFrame既有行索引也有列索引，可以被看做是由Series组成的字典。

　　Series：一个Series是一个一维的数据类型，其中每一个元素都有一个标签。类似于Numpy中元素带标签的数组，其中标签可以是数组或者是字符串

　　Series的属性：

 

 　　pandas.Series(data,index,dtype,copy)

 

 　　创建Series的方式，可以通过一维数组方式、ndarray、字典创建Series

　　Series值的获取：有两种方式

　　　　1、通过方括号+索引的方式读取对应的索引的数据，有可能返回多条数据

　　　　2、通过方括号+下标值的方式读取对应下标值的数据，下标值的取值范围为:[0，len(Series.values)];另外下标值也可以是负数，表示从右往左获取数据

　　DataFrame：一个DataFrame是一个二维的表结构。Pandas的DataFrame可以存储许多不同的数据类型，并且每一个坐标轴都有自己的标签

　　DataFrame的属性

 

 　　DataFrame的创建：使用构造函数

• pandas.DataFrame( data, index, columns, dtype, copy)

 

 参考：https://blog.ouyangsihai.cn/%2Fpandas-jiao-cheng-series-he-dataframe.html

言归正传，字符串的数据在做训练的时候，很多分类器是不支持的，因此，需要进行OneHot编码

from sklearn.preprocessing import OneHotEncoder
cat_pipeline = Pipeline([
    ('select_cat',DataFrameSelector(['Pclass','Sex','Embarked'])),
    ('imputer',MostFrequentImputer()),
    ('cat_encoder',OneHotEncoder(sparse = False))
])

a = cat_pipeline.fit_transform(train_data)
a

 现在，数字型的数据处理好了，字符串的数据也处理好了，需要重新将这两部分数据整合，进行训练

from sklearn.pipeline import FeatureUnion
preprocess_pipeline = FeatureUnion(transformer_list=[
    ('num_pipeline',num_pipline),
    ('cat_pipeline',cat_pipeline)
])

X_train = preprocess_pipeline.fit_transform(train_data)
X_train

 不要忘了，获取标签，这对监督学习非常重要

y_train = train_data['Survived']

进行SVC（就是使用SVM做分类任务）分类训练

from sklearn.svm import SVC
svm_clf = SVC(gamma = 'auto')
svm_clf.fit(X_train,y_train)

 训练之后，想尝试下在测试集上的效果，也需要将测试集执行下上述的pipeline操作

X_test = preprocess_pipeline.transform(test_data)
y_pred = svm_clf.predict(X_test)

现在来看下交叉验证集的效果

from sklearn.model_selection import cross_val_score

svm_scores = cross_val_score(svm_clf,X_train,y_train,cv = 15)
svm_scores.mean()

 现在来尝试下随机森林（介绍下RandomForestClassifier的参数,参考：https://blog.csdn.net/u012102306/article/details/52228516）

//RandomForestClassifier的参数
class sklearn.ensemble.RandomForestClassifier(n_estimators=10, crite-rion=’gini’, max_depth=None,  
min_samples_split=2, min_samples_leaf=1,  
min_weight_fraction_leaf=0.0,  
max_features=’auto’,  
max_leaf_nodes=None, bootstrap=True,  
oob_score=False, n_jobs=1, ran-dom_state=None, verbose=0,  
warm_start=False, class_weight=None)  

其中关于决策树的参数：
criterion: ”gini” or “entropy”(default=”gini”)是计算属性的gini(基尼不纯度)还是entropy(信息增益)，来选择最合适的节点。

splitter: ”best” or “random”(default=”best”)随机选择属性还是选择不纯度最大的属性，建议用默认。

max_features: 选择最适属性时划分的特征不能超过此值。

当为整数时，即最大特征数；当为小数时，训练集特征数*小数；

if “auto”, then max_features=sqrt(n_features).

If “sqrt”, thenmax_features=sqrt(n_features).

If “log2”, thenmax_features=log2(n_features).

If None, then max_features=n_features.

max_depth: (default=None)设置树的最大深度，默认为None，这样建树时，会使每一个叶节点只有一个类别，或是达到min_samples_split。

min_samples_split:根据属性划分节点时，每个划分最少的样本数。
min_samples_leaf:叶子节点最少的样本数。

max_leaf_nodes: (default=None)叶子树的最大样本数。

min_weight_fraction_leaf: (default=0) 叶子节点所需要的最小权值

verbose:(default=0) 是否显示任务进程
关于随机森林特有的参数：
n_estimators=10：决策树的个数，越多越好，但是性能就会越差，至少100左右（具体数字忘记从哪里来的了）可以达到可接受的性能和误差率。 
bootstrap=True：是否有放回的采样。  
oob_score=False：oob（out of band，带外）数据，即：在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练，我们知道可以用cross validation（cv）来进行，但是特别消耗时间，而且对于随机森林这种情况也没有大的必要，所以就用这个数据对决策树模型进行验证，算是一个简单的交叉验证。性能消耗小，但是效果不错。  

n_jobs=1：并行job个数。这个在ensemble算法中非常重要，尤其是bagging（而非boosting，因为boosting的每次迭代之间有影响，所以很难进行并行化），因为可以并行从而提高性能。1=不并行；n：n个并行；-1：CPU有多少core，就启动多少job

warm_start=False：热启动，决定是否使用上次调用该类的结果然后增加新的。  

class_weight=None：各个label的权重。  

进行预测可以有几种形式：
predict_proba(x)：给出带有概率值的结果。每个点在所有label的概率和为1.  

predict(x)：直接给出预测结果。内部还是调用的predict_proba()，根据概率的结果看哪个类型的预测值最高就是哪个类型。  

predict_log_proba(x)：和predict_proba基本上一样，只是把结果给做了log()处理。  

 

from sklearn.ensemble import RandomForestClassifier
forest_clf = RandomForestClassifier(n_estimators=100,random_state = 42)
forest_scores = cross_val_score(forest_clf,X_train,y_train,cv = 15)
forest_scores.mean()

 达到了80%，还是可以的

现在来对这两种方案进行可视化操作

import matplotlib.pyplot as plt
plt.figure(figsize = (8,4))
plt.plot([1]* 15,svm_scores,'.')
plt.plot([2]* 15,forest_scores,'.')
plt.boxplot([svm_scores,forest_scores],labels=('SVM','Random Forest'))
plt.ylabel("Accuracy",fontsize = 14)
plt.show()

 

 当然，也可以将属性进行处理后进行训练，也许会得到不错的效果

#分组
train_data['AgeBucket'] = train_data['Age'] // 15 * 15
train_data[['AgeBucket','Survived']].groupby(['AgeBucket']).mean()