Datawhale7月组队学习task5模型建立和评估

Posted 2021-08-21 临风而眠

Datawhale7月组队学习task5模型建立和评估

文章目录

• Datawhale7月组队学习task5模型建立和评估
• • 引入
  • • • • preparation
  • 一.模型搭建和评估--建模
  • • 模型搭建
    • • 1.任务一：切割训练集和测试集
      • 2.任务二：模型创建
      • 3.任务三：输出模型预测结果
  • 二.模型搭建和评估-评估
  • • 模型评估
    • • 1.任务一：交叉验证
      • • 提示4
        • 思考4
      • 2.任务二：混淆矩阵
      • • 提示5
      • 3.任务三：ROC曲线
      • • 提示6
        • 思考6
  • 三.感谢Datawhale

引入

经过前面的两章的知识点的学习，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。

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

preparation

​ 引入库和数据集

2

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

%matplotlib inline #能在控制台生成图像

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

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

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

一.模型搭建和评估–建模

模型搭建

​ 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.任务一：切割训练集和测试集

【思考】

• 划分数据集的方法有哪些？

  sklearn数据集分割方法汇总

• 为什么使用分层抽样，这样的好处有什么？

  分层抽样的优缺点

from sklearn.model_selection import train_test_split

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

【思考】

• 什么情况下切割数据集的时候不用进行随机选取

  数据集本身随机性较高

2.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

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: {:.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

3.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

​ 预测标签

pred = lr.predict(X_train)

​ 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)

【思考】

• 预测标签的概率对我们有什么帮助

  评判结果的可信度

二.模型搭建和评估-评估

​ 引入

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 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'
data = pd.read_csv('clear_data.csv')
train = pd.read_csv('train.csv')
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)

# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

模型评估

1.任务一：交叉验证

• 用10折交叉验证来评估之前的逻辑回归模型
• 计算交叉验证精度的平均值

#提示：交叉验证
Image('Snipaste_2020-01-05_16-37-56.png')

提示4

• 交叉验证在sklearn中的模块为sklearn.model_selection

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: {:.2f}".format(scores.mean()))

思考4

• k折越多的情况下会带来什么样的影响？

  k折越多，评估结果的稳定性越高

2.任务二：混淆矩阵

• 计算二分类问题的混淆矩阵
• 计算精确率、召回率以及f-分数

【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

​ 混淆矩阵

提示5

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))

3.任务三：ROC曲线

• 绘制ROC曲线

【思考】什么是OCR曲线，OCR曲线的存在是为了解决什么问题？

​ 什么是ROC曲线？为什么要使用ROC

提示6

• ROC曲线在sklearn中的模块为sklearn.metrics
• ROC曲线下面所包围的面积越大越好

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6

• 对于多分类问题如何绘制ROC曲线

  ROC曲线绘制(python+sklearn+多分类)

三.感谢Datawhale

​ 之前在了解数据科学竞赛的时候，偶然发现了datawhale这样一个组织，现在发现真的是个宝！

​ 这种引导式的学习方式，还有开源的理念，都让一个我这样大一的计算机学生感觉看到了另一个世界!

​ 8月的组队学习再见！