[学习记录]intel-ML课程记录03

Posted 2020-07-28 冷血无情康纳酱

本次课有两部分，KNN的模型分析以及回归分析

---

KNN模型分析

1.K值选取

选择K的时候要特别注意K的大小，适中才最好

要求太高会导致过拟合，低bias（偏差），太低则无法拟合，高bias。

2.训练与测试

收集的数据集，先分成测试集与训练集，一般训练集略大于测试集。

训练集用来训练模型（fit the model）

测试集则用来检测训练效果，使用模型测试数据，与提供的标签进行比较，最后计算误差判断效果。

训练模式如下图

 3.错误分析

模型复杂程度与错误率有一定关系

cross validation error 是交叉验证错误，发生在训练好的模型在测试的时候

training error 是训练错误，发生在训练模型的时候

从这个角度再去看拟合不足，适中与过拟合的情况

计算交叉错误得分

---

线性回归

1.简介

即尝试寻找一条直线用来预测输入X与输出Y的关系，训练完成后，通过输入想要预测的X就可以获得预测值Y。

2.偏差

计算偏差可以是简单的Y_predict-Y_observe

可以计算错误平均方差

这里引入成本函数的概念，通过该函数判断 β0与β1是否合适

因此我们就有了如下训练方案

（1）使用成本函数判断当前模型效率

（2）设计多种不同的模型

（3）比较这些模型得出效果最好的那一个

关于错误检测还有其他三种方法

 3.线性回归与KNN比较

线性回归	KNN
拟合时设计最小化成本（速度慢）	拟合时设计存储训练数据（速度快）
模型参数少（记忆效率高）	模型参数多（记忆密集）
预测速度快	预测速度慢

4.线性回归实例

---

高级线性回归

1.转换

 比例尺缩放本身就是一种特征转换

我们往往以为我们提供的数据是正态分布的，但可能它们其实是很偏的，数据转换就可以解决这个问题

特征的类型可能是连续的数值类型，对应转换可变成标准缩放、最大最小缩放

也可能是二元类型（eg：真、假），可转换为01（one-hot encoding)

from sklearn.preprocessing import LabelEncoder, LabelBinarizer, OneHotEncoder

也可能是离散的有序类型（比如电影差、一般、普通、良、优秀评级），对应转换为（1，2，3，4，5）

from sklearn.feature_extraction import DictVectorizer
from pandas import get_dummies

2.多项式特征

回归分析不一定建立的是一条回归直线

 

 甚至还可以增加变量

那么如何才能选择正确的回归关系呢？

挨个挨个试吧

 

 最后给个实例

---

Q1

问题1：使用pandas导入数据，销售价格将作为我们的预测值。价差不同数据类型的数量。

 

Q2

问题2（看不懂啊。。。）：处理多列数据时要确保每一列都能正确地编码。

完全不懂。。。

Q3

问题3：让我们创建一个新的数据集，其中所有上述分类特征将是单热编码的。 我们可以拟合这些数据，看看它如何影响结果。使用dataframe .copy（）方法为one-hot编码创建数据帧的完全独立副本。在这个新的数据帧上，对每个适当的列进行one-hot编码，然后将其添加回数据帧。 确保已删除原始列。对于非热编码的数据，请删除字符串分类的列。对于第一步数字编码字符串分类，可以使用Scikit-learn; s LabelEncoder或DictVectorizer。 然而，前者可能更容易，因为它不需要为每个类别指定数值，并且我们将对所有数值进行one-hot编码。 

 

勉强分析。。应该是对string类型进行统计，编码，然后删掉。快去请卢来佛祖。。。

Q4

问题4：对每个数据集分别切分测试集与训练集，确保使用同样的方式拆分。对于每个数据集进行基本线性回归的你和训练，计算相应模型的测试集与训练集的均方误差。

 

注意到one-hot编码错误率在训练集与测试集中差别巨大，这是因为过拟合，下一讲介绍如何处理它。

Q5

问题5：对于每个数据集使用标准缩放、最大最小缩放或者最大绝对值缩放来处理非热数据，比较测试集上的误差。

发现缩放对于非热编码影响不大，但是标准缩放对于one-hot编码具有巨大影响，直接不能用了。

Q6

问题6：画图预测模型

 

seaborn画图确实好看