做者: 寒小阳
时间:2015年11月。
出处:http://blog.csdn.net/han_xiaoyang/article/details/49797143
声明:版权全部,转载请注明出处,谢谢。python
因为临近毕业时间太紧,而我以前立的不少flag要在毕业前完成。可是也不会忘了push本身抽出时间来写更新Kaggle实战的文章,缘由也很是简单:web
OK,OK,这就来了咯,社友们别着急,咱们先找个简单的实际例子,来看看,所谓的数据挖掘或者机器学习实际应用究竟是怎么样一个过程。算法
『喂,那几个说要看大数据上机器学习应用的,对,就是说大家!别着急好么,咱们以后拉点大一点实际数据用liblinear或者spark,MLlib跑给大家看,行不行?我们先拿个实例入入门嘛』bootstrap
好了,我是一个严肃的技术研究和分享者,咳咳,不能废话了,各位同窗继续往下看吧!微信
亲,逼格这么高的地方,你必定听过对不对?是!这就是那个无数『数据挖掘先驱』们,在回答"枪我有了,哪能找到靶子练练手啊?"时候的答案!dom
这是一个要数据有数据,要实际应用场景有场景,要一块儿在数据挖掘领域high得不要不要的小伙伴就有小伙伴的地方啊!!!机器学习
艾玛,逗逼模式开太猛了。恩,不闹,不闹,说正事,Kaggle是一个数据分析建模的应用竞赛平台,有点相似KDD-CUP(国际知识发现和数据挖掘竞赛),企业或者研究者能够将问题背景、数据、指望指标等发布到Kaggle上,以竞赛的形式向广大的数据科学家征集解决方案。而热爱数(dong)据(shou)挖(zhe)掘(teng)的小伙伴们能够下载/分析数据,使用统计/机器学习/数据挖掘等知识,创建算法模型,得出结果并提交,排名top的可能会有奖金哦!svg
以前我也更新了两篇关于入门和经验之谈的文章,公众号也开设了专栏。函数
带你们去该问题页面溜达一圈吧
下面是问题背景页
下面是可下载Data的页面
下面是小伙伴们最爱的forum页面,你会看到各类神级人物厉(qi)害(pa)的数据处理/建模想法,你会直视『世界真奇妙』。
泰坦尼克号问题之背景
就是那个你们都熟悉的『Jack and Rose』的故事,豪华游艇倒了,你们都惊恐逃生,但是救生艇的数量有限,没法人人都有,副船长发话了『lady and kid first!』,因此是否获救其实并不是随机,而是基于一些背景有rank前后的。
训练和测试数据是一些乘客的我的信息以及存活情况,要尝试根据它生成合适的模型并预测其余人的存活情况。
对,这是一个二分类问题,是咱们以前讨论的logistic regression所能处理的范畴。
接触过Kaggle的同窗们可能知道这个问题,也可能知道RandomForest和SVM等等算法,甚至还对多个模型作过融合,取得过很是好的结果,那maybe这篇文章并非针对你的,你能够自行略过。
咱们由于以前只介绍了Logistic Regression这一种分类算法。因此本次的问题解决过程和优化思路,都集中在这种算法上。其他的方法可能咱们以后的文章里会提到。
说点我的的观点。不必定正确。
手把手教程立刻就来,先来两条我看到的,以为很重要的经验。
印象中Andrew Ng老师彷佛在coursera上说过,应用机器学习,千万不要一上来就试图作到完美,先撸一个baseline的model出来,再进行后续的分析步骤,一步步提升,所谓后续步骤可能包括『分析model如今的状态(欠/过拟合),分析咱们使用的feature的做用大小,进行feature selection,以及咱们模型下的bad case和产生的缘由』等等。
Kaggle上的大神们,也分享过一些experience,说几条我记得的哈:
更多的经验分享请加讨论群,具体方式请联系做者,或者参见《“ML学分计划”说明书》
先看看咱们的数据,长什么样吧。在Data下咱们train.csv和test.csv两个文件,分别存着官方给的训练和测试数据。
import pandas as pd #数据分析 import numpy as np #科学计算 from pandas import Series,DataFrame data_train = pd.read_csv("/Users/Hanxiaoyang/Titanic_data/Train.csv") data_train
pandas是经常使用的python数据处理包,把csv文件读入成dataframe各式,咱们在ipython notebook中,看到data_train以下所示:
这就是典型的dataframe格式,若是你没接触过这种格式,彻底没有关系,你就把它想象成Excel里面的列好了。
咱们看到,总共有12列,其中Survived字段表示的是该乘客是否获救,其他都是乘客的我的信息,包括:
逐条往下看,要看完这么多条,眼睛都有一种要瞎的赶脚。好吧,咱们让dataframe本身告诉咱们一些信息,以下所示:
data_train.info()
看到了以下的信息:
上面的数听说啥了?它告诉咱们,训练数据中总共有891名乘客,可是很不幸,咱们有些属性的数据不全,好比说:
彷佛信息略少啊,想再瞄一眼具体数据数值状况呢?恩,咱们用下列的方法,获得数值型数据的一些分布(由于有些属性,好比姓名,是文本型;而另一些属性,好比登船港口,是类目型。这些咱们用下面的函数是看不到的):
咱们从上面看到更进一步的什么信息呢?
mean字段告诉咱们,大概0.383838的人最后获救了,2/3等舱的人数比1等舱要多,平均乘客年龄大概是29.7岁(计算这个时候会略掉无记录的)等等…
每一个乘客都这么多属性,那咱们咋知道哪些属性更有用,而又应该怎么用它们啊?说实话这会儿我也不知道,但咱们记得前面提到过
『对数据的认识过重要了!』
『对数据的认识过重要了!』
『对数据的认识过重要了!』
重要的事情说三遍,恩,说完了。仅仅最上面的对数据了解,依旧没法给咱们提供想法和思路。咱们再深刻一点来看看咱们的数据,看看每一个/多个 属性和最后的Survived之间有着什么样的关系呢。
脑容量太有限了…数值看花眼了。咱们仍是统计统计,画些图来看看属性和结果之间的关系好了,代码以下:
import matplotlib.pyplot as plt fig = plt.figure() fig.set(alpha=0.2) # 设定图表颜色alpha参数 plt.subplot2grid((2,3),(0,0)) # 在一张大图里分列几个小图 data_train.Survived.value_counts().plot(kind='bar')# 柱状图 plt.title(u"获救状况 (1为获救)") # 标题 plt.ylabel(u"人数") plt.subplot2grid((2,3),(0,1)) data_train.Pclass.value_counts().plot(kind="bar") plt.ylabel(u"人数") plt.title(u"乘客等级分布") plt.subplot2grid((2,3),(0,2)) plt.scatter(data_train.Survived, data_train.Age) plt.ylabel(u"年龄") # 设定纵坐标名称 plt.grid(b=True, which='major', axis='y') plt.title(u"按年龄看获救分布 (1为获救)") plt.subplot2grid((2,3),(1,0), colspan=2) data_train.Age[data_train.Pclass == 1].plot(kind='kde') data_train.Age[data_train.Pclass == 2].plot(kind='kde') data_train.Age[data_train.Pclass == 3].plot(kind='kde') plt.xlabel(u"年龄")# plots an axis lable plt.ylabel(u"密度") plt.title(u"各等级的乘客年龄分布") plt.legend((u'头等舱', u'2等舱',u'3等舱'),loc='best') # sets our legend for our graph. plt.subplot2grid((2,3),(1,2)) data_train.Embarked.value_counts().plot(kind='bar') plt.title(u"各登船口岸上船人数") plt.ylabel(u"人数") plt.show()
bingo,图仍是比数字好看多了。因此咱们在图上能够看出来,被救的人300多点,不到半数;3等舱乘客灰常多;遇难和获救的人年龄彷佛跨度都很广;3个不一样的舱年龄整体趋势彷佛也一致,2/3等舱乘客20岁多点的人最多,1等舱40岁左右的最多(→_→彷佛符合财富和年龄的分配哈,咳咳,别理我,我瞎扯的);登船港口人数按照S、C、Q递减,并且S远多于另外俩港口。
这个时候咱们可能会有一些想法了:
口说无凭,空想无益。老老实实再来统计统计,看看这些属性值的统计分布吧。
#看看各乘客等级的获救状况 fig = plt.figure() fig.set(alpha=0.2) # 设定图表颜色alpha参数 Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts() Survived_1 = data_train.Pclass[data_train.Survived == 1].value_counts() df=pd.DataFrame({u'获救':Survived_1, u'未获救':Survived_0}) df.plot(kind='bar', stacked=True) plt.title(u"各乘客等级的获救状况") plt.xlabel(u"乘客等级") plt.ylabel(u"人数") plt.show()
啧啧,果真,钱和地位对舱位有影响,进而对获救的可能性也有影响啊←_←
咳咳,跑题了,我想说的是,明显等级为1的乘客,获救的几率高不少。恩,这个必定是影响最后获救结果的一个特征。
#看看各性别的获救状况 fig = plt.figure() fig.set(alpha=0.2) # 设定图表颜色alpha参数 Survived_m = data_train.Survived[data_train.Sex == 'male'].value_counts() Survived_f = data_train.Survived[data_train.Sex == 'female'].value_counts() df=pd.DataFrame({u'男性':Survived_m, u'女性':Survived_f}) df.plot(kind='bar', stacked=True) plt.title(u"按性别看获救状况") plt.xlabel(u"性别") plt.ylabel(u"人数") plt.show()
歪果盆友果真很尊重lady,lady first践行得不错。性别无疑也要做为重要特征加入最后的模型之中。
再来个详细版的好了。
#而后咱们再来看看各类舱级别状况下各性别的获救状况 fig=plt.figure() fig.set(alpha=0.65) # 设置图像透明度,无所谓 plt.title(u"根据舱等级和性别的获救状况") ax1=fig.add_subplot(141) data_train.Survived[data_train.Sex == 'female'][data_train.Pclass != 3].value_counts().plot(kind='bar', label="female highclass", color='#FA2479') ax1.set_xticklabels([u"获救", u"未获救"], rotation=0) ax1.legend([u"女性/高级舱"], loc='best') ax2=fig.add_subplot(142, sharey=ax1) data_train.Survived[data_train.Sex == 'female'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='female, low class', color='pink') ax2.set_xticklabels([u"未获救", u"获救"], rotation=0) plt.legend([u"女性/低级舱"], loc='best') ax3=fig.add_subplot(143, sharey=ax1) data_train.Survived[data_train.Sex == 'male'][data_train.Pclass != 3].value_counts().plot(kind='bar', label='male, high class',color='lightblue') ax3.set_xticklabels([u"未获救", u"获救"], rotation=0) plt.legend([u"男性/高级舱"], loc='best') ax4=fig.add_subplot(144, sharey=ax1) data_train.Survived[data_train.Sex == 'male'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='male low class', color='steelblue') ax4.set_xticklabels([u"未获救", u"获救"], rotation=0) plt.legend([u"男性/低级舱"], loc='best') plt.show()
恩,坚决了以前的判断。
咱们看看各登船港口的获救状况。
fig = plt.figure() fig.set(alpha=0.2) # 设定图表颜色alpha参数 Survived_0 = data_train.Embarked[data_train.Survived == 0].value_counts() Survived_1 = data_train.Embarked[data_train.Survived == 1].value_counts() df=pd.DataFrame({u'获救':Survived_1, u'未获救':Survived_0}) df.plot(kind='bar', stacked=True) plt.title(u"各登陆港口乘客的获救状况") plt.xlabel(u"登陆港口") plt.ylabel(u"人数") plt.show()
下面咱们来看看 堂兄弟/妹,孩子/父母有几人,对是否获救的影响。
g = data_train.groupby(['SibSp','Survived']) df = pd.DataFrame(g.count()['PassengerId']) print df g = data_train.groupby(['SibSp','Survived']) df = pd.DataFrame(g.count()['PassengerId']) print df
好吧,没看出特别特别明显的规律(为本身的智商感到捉急…),先做为备选特征,放一放。
#ticket是船票编号,应该是unique的,和最后的结果没有太大的关系,先不归入考虑的特征范畴把 #cabin只有204个乘客有值,咱们先看看它的一个分布 data_train.Cabin.value_counts()
部分结果以下:
这三三两两的…如此不集中…咱们猜一下,也许,前面的ABCDE是指的甲板位置、而后编号是房间号?…好吧,我瞎说的,别当真…
关键是Cabin这鬼属性,应该算做类目型的,原本缺失值就多,还如此不集中,注定是个棘手货…第一感受,这玩意儿若是直接按照类目特征处理的话,太散了,估计每一个因子化后的特征都拿不到什么权重。加上有那么多缺失值,要不咱们先把Cabin缺失与否做为条件(虽然这部分信息缺失可能并不是未登记,maybe只是丢失了而已,因此这样作未必稳当),先在有无Cabin信息这个粗粒度上看看Survived的状况好了。
fig = plt.figure() fig.set(alpha=0.2) # 设定图表颜色alpha参数 Survived_cabin = data_train.Survived[pd.notnull(data_train.Cabin)].value_counts() Survived_nocabin = data_train.Survived[pd.isnull(data_train.Cabin)].value_counts() df=pd.DataFrame({u'有':Survived_cabin, u'无':Survived_nocabin}).transpose() df.plot(kind='bar', stacked=True) plt.title(u"按Cabin有无看获救状况") plt.xlabel(u"Cabin有无") plt.ylabel(u"人数") plt.show()
咳咳,有Cabin记录的彷佛获救几率稍高一些,先这么着放一放吧。
大致数据的状况看了一遍,对感兴趣的属性也有个大概的了解了。
下一步干啥?我们该处理处理这些数据,为机器学习建模作点准备了。
对了,我这里说的数据预处理,其实就包括了不少Kaggler津津乐道的feature engineering过程,灰常灰常有必要!
『特征工程(feature engineering)过重要了!』
『特征工程(feature engineering)过重要了!』
『特征工程(feature engineering)过重要了!』
恩,重要的事情说三遍。
先从最突出的数据属性开始吧,对,Cabin和Age,有丢失数据实在是对下一步工做影响太大。
先说Cabin,暂时咱们就按照刚才说的,按Cabin有无数据,将这个属性处理成Yes和No两种类型吧。
再说Age:
一般遇到缺值的状况,咱们会有几种常见的处理方式
若是缺值的样本占总数比例极高,咱们可能就直接舍弃了,做为特征加入的话,可能反倒带入noise,影响最后的结果了
若是缺值的样本适中,而该属性非连续值特征属性(好比说类目属性),那就把NaN做-为一个新类别,加到类别特征中
若是缺值的样本适中,而该属性为连续值特征属性,有时候咱们会考虑给定一个step(好比这里的age,咱们能够考虑每隔2/3岁为一个步长),而后把它离散化,以后把NaN做为一个type加到属性类目中。
有些状况下,缺失的值个数并非特别多,那咱们也能够试着根据已有的值,拟合一- 下数据,补充上。
本例中,后两种处理方式应该都是可行的,咱们先试试拟合补全吧(虽说没有特别多的背景可供咱们拟合,这不必定是一个多么好的选择)
咱们这里用scikit-learn中的RandomForest来拟合一下缺失的年龄数据(注:RandomForest是一个用在原始数据中作不一样采样,创建多颗DecisionTree,再进行average等等来下降过拟合现象,提升结果的机器学习算法,咱们以后会介绍到)
from sklearn.ensemble import RandomForestRegressor ### 使用 RandomForestClassifier 填补缺失的年龄属性 def set_missing_ages(df): # 把已有的数值型特征取出来丢进Random Forest Regressor中 age_df = df[['Age','Fare', 'Parch', 'SibSp', 'Pclass']] # 乘客分红已知年龄和未知年龄两部分 known_age = age_df[age_df.Age.notnull()].as_matrix() unknown_age = age_df[age_df.Age.isnull()].as_matrix() # y即目标年龄 y = known_age[:, 0] # X即特征属性值 X = known_age[:, 1:] # fit到RandomForestRegressor之中 rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1) rfr.fit(X, y) # 用获得的模型进行未知年龄结果预测 predictedAges = rfr.predict(unknown_age[:, 1::]) # 用获得的预测结果填补原缺失数据 df.loc[ (df.Age.isnull()), 'Age' ] = predictedAges return df, rfr def set_Cabin_type(df): df.loc[ (df.Cabin.notnull()), 'Cabin' ] = "Yes" df.loc[ (df.Cabin.isnull()), 'Cabin' ] = "No" return df data_train, rfr = set_missing_ages(data_train) data_train = set_Cabin_type(data_train)
恩。目的达到,OK了。
由于逻辑回归建模时,须要输入的特征都是数值型特征,咱们一般会先对类目型的特征因子化。
什么叫作因子化呢?举个例子:
以Cabin为例,本来一个属性维度,由于其取值能够是[‘yes’,‘no’],而将其平展开为’Cabin_yes’,'Cabin_no’两个属性
咱们使用pandas的"get_dummies"来完成这个工做,并拼接在原来的"data_train"之上,以下所示。
dummies_Cabin = pd.get_dummies(data_train['Cabin'], prefix= 'Cabin') dummies_Embarked = pd.get_dummies(data_train['Embarked'], prefix= 'Embarked') dummies_Sex = pd.get_dummies(data_train['Sex'], prefix= 'Sex') dummies_Pclass = pd.get_dummies(data_train['Pclass'], prefix= 'Pclass') df = pd.concat([data_train, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1) df.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True) df
bingo,咱们很成功地把这些类目属性全都转成0,1的数值属性了。
这样,看起来,是否是咱们须要的属性值都有了,且它们都是数值型属性呢。
有一种临近结果的宠宠欲动感吧,莫急莫急,咱们还得作一些处理,仔细看看Age和Fare两个属性,乘客的数值幅度变化,也忒大了吧!!若是你们了解逻辑回归与梯度降低的话,会知道,各属性值之间scale差距太大,将对收敛速度形成几万点伤害值!甚至不收敛! (╬▔皿▔)…因此咱们先用scikit-learn里面的preprocessing模块对这俩货作一个scaling,所谓scaling,其实就是将一些变化幅度较大的特征化到[-1,1]以内。
import sklearn.preprocessing as preprocessing scaler = preprocessing.StandardScaler() age_scale_param = scaler.fit(df['Age']) df['Age_scaled'] = scaler.fit_transform(df['Age'], age_scale_param) fare_scale_param = scaler.fit(df['Fare']) df['Fare_scaled'] = scaler.fit_transform(df['Fare'], fare_scale_param) df
恩,好看多了,万事俱备,只欠建模。立刻就要看到成效了,哈哈。咱们把须要的属性值抽出来,转成scikit-learn里面LogisticRegression能够处理的格式。
咱们把须要的feature字段取出来,转成numpy格式,使用scikit-learn中的LogisticRegression建模。
from sklearn import linear_model # 用正则取出咱们要的属性值 train_df = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*') train_np = train_df.as_matrix() # y即Survival结果 y = train_np[:, 0] # X即特征属性值 X = train_np[:, 1:] # fit到RandomForestRegressor之中 clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6) clf.fit(X, y) clf
good,很顺利,咱们获得了一个model,以下:
先淡定!淡定!你觉得把test.csv直接丢进model里就能拿到结果啊…骚年,图样图森破啊!咱们的"test_data"也要作和"train_data"同样的预处理啊!!
data_test = pd.read_csv("/Users/Hanxiaoyang/Titanic_data/test.csv") data_test.loc[ (data_test.Fare.isnull()), 'Fare' ] = 0 # 接着咱们对test_data作和train_data中一致的特征变换 # 首先用一样的RandomForestRegressor模型填上丢失的年龄 tmp_df = data_test[['Age','Fare', 'Parch', 'SibSp', 'Pclass']] null_age = tmp_df[data_test.Age.isnull()].as_matrix() # 根据特征属性X预测年龄并补上 X = null_age[:, 1:] predictedAges = rfr.predict(X) data_test.loc[ (data_test.Age.isnull()), 'Age' ] = predictedAges data_test = set_Cabin_type(data_test) dummies_Cabin = pd.get_dummies(data_test['Cabin'], prefix= 'Cabin') dummies_Embarked = pd.get_dummies(data_test['Embarked'], prefix= 'Embarked') dummies_Sex = pd.get_dummies(data_test['Sex'], prefix= 'Sex') dummies_Pclass = pd.get_dummies(data_test['Pclass'], prefix= 'Pclass') df_test = pd.concat([data_test, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1) df_test.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True) df_test['Age_scaled'] = scaler.fit_transform(df_test['Age'], age_scale_param) df_test['Fare_scaled'] = scaler.fit_transform(df_test['Fare'], fare_scale_param) df_test
不错不错,数据很OK,差最后一步了。
下面就作预测取结果吧!!
test = df_test.filter(regex='Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*') predictions = clf.predict(test) result = pd.DataFrame({'PassengerId':data_test['PassengerId'].as_matrix(), 'Survived':predictions.astype(np.int32)}) result.to_csv("/Users/Hanxiaoyang/Titanic_data/logistic_regression_predictions.csv", index=False)
啧啧,挺好,格式正确,去make a submission啦啦啦!
在Kaggle的Make a submission页面,提交上结果。以下:
0.76555,恩,结果还不错。毕竟,这只是咱们简单分析处理事后出的一个baseline模型嘛。
亲,你觉得结果提交上了,就完事了?
我不会告诉你,这只是万里长征第一步啊(泪牛满面)!!!这才刚撸完baseline model啊!!!还得优化啊!!!
看过Andrew Ng老师的machine Learning课程的同窗们,知道,咱们应该分析分析模型如今的状态了,是过/欠拟合?,以肯定咱们须要更多的特征仍是更多数据,或者其余操做。咱们有一条很著名的learning curves对吧。
不过在如今的场景下,先不着急作这个事情,咱们这个baseline系统还有些粗糙,先再挖掘挖掘。
首先,Name和Ticket两个属性被咱们完整舍弃了(好吧,实际上是由于这俩属性,几乎每一条记录都是一个彻底不一样的值,咱们并无找到很直接的处理方式)。
而后,咱们想一想,年龄的拟合自己也未必是一件很是靠谱的事情,咱们依据其他属性,其实并不能很好地拟合预测出未知的年龄。再一个,以咱们的平常经验,小盆友和老人可能获得的照顾会多一些,这样看的话,年龄做为一个连续值,给一个固定的系数,应该和年龄是一个正相关或者负相关,彷佛体现不出两头受照顾的实际状况,因此,说不定咱们把年龄离散化,按区段分做类别属性会更合适一些。
上面只是我瞎想的,who knows是否是这么回事呢,老老实实先把获得的model系数和feature关联起来看看。
pd.DataFrame({"columns":list(train_df.columns)[1:], "coef":list(clf.coef_.T)})
首先,你们回去前两篇文章里瞄一眼公式就知道,这些系数为正的特征,和最后结果是一个正相关,反之为负相关。
咱们先看看那些权重绝对值很是大的feature,在咱们的模型上:
噢啦,观察完了,咱们如今有一些想法了,可是怎么样才知道,哪些优化的方法是promising的呢?
由于test.csv里面并无Survived这个字段(好吧,这是废话,这明明就是咱们要预测的结果),咱们没法在这份数据上评定咱们算法在该场景下的效果…
而『每作一次调整就make a submission,而后根据结果来断定此次调整的好坏』实际上是行不通的…
重点又来了:
『要作交叉验证(cross validation)!』
『要作交叉验证(cross validation)!』
『要作交叉验证(cross validation)!』
恩,重要的事情说三遍。咱们一般状况下,这么作cross validation:把train.csv分红两部分,一部分用于训练咱们须要的模型,另一部分数据上看咱们预测算法的效果。
咱们用scikit-learn的cross_validation来帮咱们完成小数据集上的这个工做。
先简单看看cross validation状况下的打分
from sklearn import cross_validation #简单看看打分状况 clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6) all_data = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*') X = all_data.as_matrix()[:,1:] y = all_data.as_matrix()[:,0] print cross_validation.cross_val_score(clf, X, y, cv=5)
结果是下面酱紫的:
[0.81564246 0.81005587 0.78651685 0.78651685 0.81355932]
彷佛比Kaggle上的结果略高哈,毕竟用的是否是同一份数据集评估的。
等等,既然咱们要作交叉验证,那咱们干脆先把交叉验证里面的bad case拿出来看看,看看人眼审核,是否能发现什么蛛丝马迹,是咱们忽略了哪些信息,使得这些乘客被断定错了。再把bad case上获得的想法和前头系数分析的合在一块儿,而后逐个试试。
下面咱们作数据分割,而且在原始数据集上瞄一眼bad case:
# 分割数据,按照 训练数据:cv数据 = 7:3的比例 split_train, split_cv = cross_validation.train_test_split(df, test_size=0.3, random_state=0) train_df = split_train.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*') # 生成模型 clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6) clf.fit(train_df.as_matrix()[:,1:], train_df.as_matrix()[:,0]) # 对cross validation数据进行预测 cv_df = split_cv.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*') predictions = clf.predict(cv_df.as_matrix()[:,1:]) origin_data_train = pd.read_csv("/Users/HanXiaoyang/Titanic_data/Train.csv") bad_cases = origin_data_train.loc[origin_data_train['PassengerId'].isin(split_cv[predictions != cv_df.as_matrix()[:,0]]['PassengerId'].values)] bad_cases
咱们断定错误的 bad case 中部分数据以下:
你们能够本身跑一遍试试,拿到bad cases以后,仔细看看。也会有一些猜想和想法。其中会有一部分可能会印证在系数分析部分的猜想,那这些优化的想法优先级能够放高一些。
如今有了"train_df" 和 “vc_df” 两个数据部分,前者用于训练model,后者用于评定和选择模型。能够开始可劲折腾了。
咱们随便列一些可能能够作的优化操做:
你们接着往下挖掘,可能还能够想到更多能够细挖的部分。我这里先列这些了,而后咱们可使用手头上的"train_df"和"cv_df"开始试验这些feature engineering的tricks是否有效了。
试验的过程比较漫长,也须要有耐心,并且咱们常常会面临很尴尬的情况,就是咱们灵光一闪,想到一个feature,而后坚信它必定有效,结果试验下来,效果还不如试验以前的结果。恩,须要坚持和耐心,以及不断的挖掘。
我最好的结果是在『Survived~C(Pclass)+C(Title)+C(Sex)+C(Age_bucket)+C(Cabin_num_bucket)Mother+Fare+Family_Size』下取得的,结果以下(抱歉,博主君commit的时候手抖把页面关了,因而没截着图,下面这张图是在我获得最高分以后,用此次的结果从新make commission的,截了个图,得分是0.79426,不是目前个人最高分哈,所以排名木有变…):
有一个极可能发生的问题是,咱们不断地作feature engineering,产生的特征愈来愈多,用这些特征去训练模型,会对咱们的训练集拟合得愈来愈好,同时也可能在逐步丧失泛化能力,从而在待预测的数据上,表现不佳,也就是发生过拟合问题。
从另外一个角度上说,若是模型在待预测的数据上表现不佳,除掉上面说的过拟合问题,也有多是欠拟合问题,也就是说在训练集上,其实拟合的也不是那么好。
额,这个欠拟合和过拟合怎么解释呢。这么说吧:
而在机器学习的问题上,对于过拟合和欠拟合两种情形。咱们优化的方式是不一样的。
对过拟合而言,一般如下策略对结果优化是有用的:
而对于欠拟合而言,咱们一般须要更多的feature,更复杂的模型来提升准确度。
著名的learning curve能够帮咱们断定咱们的模型如今所处的状态。咱们以样本数为横坐标,训练和交叉验证集上的错误率做为纵坐标,两种状态分别以下两张图所示:过拟合(overfitting/high variace),欠拟合(underfitting/high bias)
咱们也能够把错误率替换成准确率(得分),获得另外一种形式的learning curve(sklearn 里面是这么作的)。
回到咱们的问题,咱们用scikit-learn里面的learning_curve来帮咱们分辨咱们模型的状态。举个例子,这里咱们一块儿画一下咱们最早获得的baseline model的learning curve。
import numpy as np import matplotlib.pyplot as plt from sklearn.learning_curve import learning_curve # 用sklearn的learning_curve获得training_score和cv_score,使用matplotlib画出learning curve def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=1, train_sizes=np.linspace(.05, 1., 20), verbose=0, plot=True): """ 画出data在某模型上的learning curve. 参数解释 ---------- estimator : 你用的分类器。 title : 表格的标题。 X : 输入的feature,numpy类型 y : 输入的target vector ylim : tuple格式的(ymin, ymax), 设定图像中纵坐标的最低点和最高点 cv : 作cross-validation的时候,数据分红的份数,其中一份做为cv集,其他n-1份做为training(默认为3份) n_jobs : 并行的的任务数(默认1) """ train_sizes, train_scores, test_scores = learning_curve( estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes, verbose=verbose) train_scores_mean = np.mean(train_scores, axis=1) train_scores_std = np.std(train_scores, axis=1) test_scores_mean = np.mean(test_scores, axis=1) test_scores_std = np.std(test_scores, axis=1) if plot: plt.figure() plt.title(title) if ylim is not None: plt.ylim(*ylim) plt.xlabel(u"训练样本数") plt.ylabel(u"得分") plt.gca().invert_yaxis() plt.grid() plt.fill_between(train_sizes, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, alpha=0.1, color="b") plt.fill_between(train_sizes, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, alpha=0.1, color="r") plt.plot(train_sizes, train_scores_mean, 'o-', color="b", label=u"训练集上得分") plt.plot(train_sizes, test_scores_mean, 'o-', color="r", label=u"交叉验证集上得分") plt.legend(loc="best") plt.draw() plt.show() plt.gca().invert_yaxis() midpoint = ((train_scores_mean[-1] + train_scores_std[-1]) + (test_scores_mean[-1] - test_scores_std[-1])) / 2 diff = (train_scores_mean[-1] + train_scores_std[-1]) - (test_scores_mean[-1] - test_scores_std[-1]) return midpoint, diff plot_learning_curve(clf, u"学习曲线", X, y)
在实际数据上看,咱们获得的learning curve没有理论推导的那么光滑哈,可是能够大体看出来,训练集和交叉验证集上的得分曲线走势仍是符合预期的。
目前的曲线看来,咱们的model并不处于overfitting的状态(overfitting的表现通常是训练集上得分高,而交叉验证集上要低不少,中间的gap比较大)。所以咱们能够再作些feature engineering的工做,添加一些新产出的特征或者组合特征到模型中。
好了,终于到这一步了,咱们要祭出机器学习/数据挖掘上一般最后会用到的大杀器了。恩,模型融合。
『强迫症患者』打算继续喊喊口号…
『模型融合(model ensemble)很重要!』
『模型融合(model ensemble)很重要!』
『模型融合(model ensemble)很重要!』
重要的事情说三遍,恩,噢啦。
先解释解释,一下子再回到咱们的问题上哈。
啥叫模型融合呢,咱们仍是举几个例子直观理解一下好了。
你们都看过知识问答的综艺节目中,求助现场观众时候,让观众投票,最高的答案做为本身的答案的形式吧,每一个人都有一个断定结果,最后咱们相信答案在大多数人手里。
再通俗一点举个例子。你和你班某数学大神关系好,每次做业都『模仿』他的,因而绝大多数状况下,他作对了,你也对了。忽然某一天大神脑子犯糊涂,手一抖,写错了一个数,因而…恩,你也只能跟着错了。
咱们再来看看另一个场景,你和你班5个数学大神关系都很好,每次都把他们做业拿过来,对比一下,再『本身作』,那你想一想,若是哪天某大神犯糊涂了,写错了,but另外四个写对了啊,那你确定相信另外4人的是正确答案吧?
最简单的模型融合大概就是这么个意思,好比分类问题,当咱们手头上有一堆在同一份数据集上训练获得的分类器(好比logistic regression,SVM,KNN,random forest,神经网络),那咱们让他们都分别去作断定,而后对结果作投票统计,取票数最多的结果为最后结果。
bingo,问题就这么完美的解决了。
模型融合能够比较好地缓解,训练过程当中产生的过拟合问题,从而对于结果的准确度提高有必定的帮助。
话说回来,回到咱们如今的问题。你看,咱们如今只讲了logistic regression,若是咱们还想用这个融合思想去提升咱们的结果,咱们该怎么作呢?
既然这个时候模型没得选,那我们就在数据上动动手脚咯。你们想一想,若是模型出现过拟合如今,必定是在咱们的训练上出现拟合过分形成的对吧。
那咱们干脆就不要用所有的训练集,每次取训练集的一个subset,作训练,这样,咱们虽然用的是同一个机器学习算法,可是获得的模型倒是不同的;同时,由于咱们没有任何一份子数据集是全的,所以即便出现过拟合,也是在子训练集上出现过拟合,而不是全体数据上,这样作一个融合,可能对最后的结果有必定的帮助。对,这就是经常使用的Bagging。
咱们用scikit-learn里面的Bagging来完成上面的思路,过程很是简单。代码以下:
from sklearn.ensemble import BaggingRegressor train_df = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass.*|Mother|Child|Family|Title') train_np = train_df.as_matrix() # y即Survival结果 y = train_np[:, 0] # X即特征属性值 X = train_np[:, 1:] # fit到BaggingRegressor之中 clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6) bagging_clf = BaggingRegressor(clf, n_estimators=20, max_samples=0.8, max_features=1.0, bootstrap=True, bootstrap_features=False, n_jobs=-1) bagging_clf.fit(X, y) test = df_test.filter(regex='Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass.*|Mother|Child|Family|Title') predictions = bagging_clf.predict(test) result = pd.DataFrame({'PassengerId':data_test['PassengerId'].as_matrix(), 'Survived':predictions.astype(np.int32)}) result.to_csv("/Users/HanXiaoyang/Titanic_data/logistic_regression_bagging_predictions.csv", index=False)
而后你再Make a submission,恩,发现对结果仍是有帮助的。
文章稍微有点长,很是感谢各位耐心看到这里。
总结的部分,我就简短写几段,出现的话,不少在文中有对应的场景,你们有兴趣再回头看看。
对于任何的机器学习问题,不要一上来就追求尽善尽美,先用本身会的算法撸一个baseline的model出来,再进行后续的分析步骤,一步步提升。
在问题的结果过程当中:
本文中用机器学习解决问题的过程大概以下图所示:
关于数据和代码
公众号后台回复“Kaggle01”获取本文中的数据和代码,欢迎你们下载和本身尝试。
知识星球:社群旨在分享AI算法岗的秋招/春招准备攻略(含刷题)、面经和内推机会、学习路线、知识题库等。