经过前面的两章的知识点的学习，我们可以对数数据的本身进行处理，比如数据本身的增删查补，还可以做必要的清洗工作。那么下面我们就要开始使用我们前面处理好的数据了。这一章我们要做的就是使用数据，我们做数据分析的目的也就是，运用我们的数据以及结合我的业务来得到某些我们需要知道的结果。那么分析的第一步就是建模，搭建一个预测模型或者其他模型；我们从这个模型的到结果之后，我们要分析我的模型是不是足够的可靠，那我就需要评估这个模型。今天我们学习建模，下一节我们学习评估。
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。
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
train = pd.read_csv(‘train.csv‘) train.shape train.head()
clear_data = pd.read_csv(‘clear_data.csv‘) clear_data.shape clear_data.head()
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
【思考】
1. 划分数据集的方法有哪些？
留出法(Hold-out)、交叉验证法(Cross validation)、自助法(Bootstrapping)
对于数据量充足的时候，通常采用 留出法 或者 k折交叉验证法 来进行训练/测试集的划分；
对于数据集小且难以有效划分训练/测试集时使用 自助法；
对于数据集小且可有效划分的时候最好使用 留一法 来进行划分
2. 为什么使用分层抽样，这样的好处有什么？
分层抽样将总体单位按其属性特征分成若干类型或层，然后在类型或层中随机抽取样本单位。好处是通过划类分层，增大了各类型中单位间的共同性，容易抽出具有代表性的调查样本，抽样误差比较小。
# 要从clear_data.csv和train.csv中提取train_test_split()所需的参数 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 = clear_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)
X_train.shape, X_test.shape #输出：((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：
可以不用随机选取的情况是数据集本身就足够随机，这种情况一般是随机处理后的。或者使用交叉验证法中的留一法处理数据。
from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier # 默认参数逻辑回归模型 lr = LogisticRegression() lr.fit(X_train, y_train) # 查看训练集和测试集score值 print("Training set score: {:.3f}".format(lr.score(X_train, y_train))) print("Testing set score: {:.3f}".format(lr.score(X_test, y_test))) # Training set score: 0.801 # Testing set score: 0.794
# 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: {:.3f}".format(lr2.score(X_train, y_train))) print("Testing set score: {:.3f}".format(lr2.score(X_test, y_test))) # Training set score: 0.790 # Testing set score: 0.776
# 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: {:.3f}".format(rfc.score(X_train, y_train))) print("Testing set score: {:.3f}".format(rfc.score(X_test, y_test))) # Training set score: 1.000 # Testing set score: 0.825
# 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: {:.3f}".format(rfc2.score(X_train, y_train))) print("Testing set score: {:.3f}".format(rfc2.score(X_test, y_test))) # Training set score: 0.868 # Testing set score: 0.794
# 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: 预测标签的概率能够让我们判断该标签的可信度，越接近1的话可信度越高。
根据之前的模型的建模，我们知道如何运用sklearn这个库来完成建模，以及我们知道了的数据集的划分等等操作。那么一个模型我们怎么知道它好不好用呢？以至于我们能不能放心的使用模型给我的结果呢？那么今天的学习的评估，就会很有帮助。
from sklearn.model_selection import cross_val_score lr = LogisticRegression(C=100) scores = cross_val_score(lr, X_train, y_train, cv=10)
# k折交叉验证分数 scores
# 平均交叉验证分数 print("Average cross-validation score: {:.3f}".format(scores.mean()))
思考: k折越多的情况下会带来什么样的影响？
一般而言，k折越多，评估结果的稳定性和保真性越高，不过整个计算复杂度越高。一种特殊的情况是k=m，m为数据集样本个数，这种特例称为留一法，结果往往比较准确。
【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运算到什么任务中的。
二分类问题的混淆矩阵是一个 2 维方阵，它主要用于评估二分类问题的好坏，它主要运用于二分类任务中。实际上，多分类问题依然可以转换为二分类问题进行处理。
混淆矩阵：
准确率 (Accuracy),精确度（Precision）,Recall,f-分数计算方法：
from sklearn.metrics import confusion_matrix # 训练模型 lr = LogisticRegression(C=100) lr.fit(X_train, y_train) # 模型预测结果 pred = lr.predict(X_train) # 混淆矩阵 confusion_matrix(y_train, pred)
from sklearn.metrics import classification_report # 精确率、召回率以及f1-score print(classification_report(y_train, pred))
【思考】什么是OCR曲线，OCR曲线的存在是为了解决什么问题？
ROC的全称是Receiver Operating Characteristic Curve，中文名字叫“受试者工作特征曲线”，顾名思义，其主要的分析方法就是画这条特征曲线。ROC曲线的存在主要用于衡量模型的泛化性能，即分类效果的好坏。
from sklearn.metrics import roc_curve fpr, tpr, thresholds = roc_curve(y_test, lr.decision_function(X_test)) plt.plot(fpr, tpr, label="ROC Curve") plt.xlabel("FPR") plt.ylabel("TPR (recall)") # 找到最接近于0的阈值 close_zero = np.argmin(np.abs(thresholds)) plt.plot(fpr[close_zero], tpr[close_zero], ‘o‘, markersize=10, label="threshold zero", fillstyle="none", c=‘k‘, mew=2) plt.legend(loc=4)
思考：对于多分类问题如何绘制ROC曲线？
经典的ROC曲线适用于对二分类问题进行模型评估，通常将它推广到多分类问题的方式有两种：对于每种类别，分别计算其将所有样本点的预测概率作为阈值所得到的TPR和FPR值(是这种类别为正，其他类别为负)，最后将每个取定的阈值下，对应所有类别的TPR值和FPR值分别求平均，得到最终对应这个阈值的TPR和FPR值。
原文：https://www.cnblogs.com/learncode123/p/15022195.html
