文章目录
使用决策树预测泰坦尼克号幸存者实例一、数据获取二、数据探索数据质量分析(缺失值、异常值、一致性)三、数据预处理四、数据建模五、优化模型参数使用决策树预测泰坦尼克号幸存者实例
代码来自《scikit-learn机器学习:常用算法原理及编程实战》P122
import pandas as pdfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import cross_val_score
一、数据获取
数据集来自 /c/titanic
导入训练集和测试集:train.csv、test.csv
二、数据探索
数据质量分析(缺失值、异常值、一致性)
查看训练数据前5行
train.head()
查看数据各列是否有缺失值
train.info()
可以看出age和cabin列有缺失
查看数据整体异常情况
train.describe()
发现Age列不仅有缺失,且最小值为0.42,不符合常规
分析特征
PassengerId:乘客的ID号,这是个顺序编号,用来唯一地标识一名乘客。这个特征与幸存与否无关,我们不使用这个特征
Survived:1表示幸存,0表示遇难。这个是我们的标注数据
Pclass:仓位等级,是很重要的特征。看过电影的读者都知道,高仓位登记的乘客能更快的到达甲板,从而更容易获救
Name:乘客名字,具有可解释性,这个和幸存与否无关,我们会丢弃这个特征
Sex:乘客性别,看过电影的读者都知道,由于救生艇数量不够,船长让妇女和儿童先上救生艇。所以这也是个很重要的特征
Age:乘客年龄,儿童会优先上救生艇,身强力壮者幸存概率也会更高一些
SibSp:兄弟姐妹同在船上的数量
Parch:同船的父辈人员数量
Ticket:乘客票号
Fare:乘客的体热指标
Cabin:乘客所在的船舱号。实际上这个特征和幸存与否有一定关系,比如最早被水淹没的船舱位置,其乘客的幸存概率要低一些。但由于这个特征有大量的丢失数据,而且没有更多的数据来对船舱进行归类,因此我们丢弃这个特征的数据。
Embarked:乘客登船的港口。我们需要把港口数据转换为数值型数据
三、数据预处理
通过数据探索,我们需要对数据进行一些预处理,包括:
提取Surived列的数据作为模型的标注数据丢弃不需要的特征数据对数据进行转换,以便模型处理。比如性别数据,我们需要转换为0和1处理缺失数据,比如年龄这个特征,有很多缺失的数据处理异常数据,比如年龄,如果出现小数一律向下取整处理
def read_dataset(fname):#指定第一列作为行索引data = pd.read_csv(fname,index_col=0)#丢弃无用的数据data.drop(['Name','Ticket','Cabin'],axis=1,inplace=True)#处理性别数据data['Sex'] = (data['Sex']=='male').astype('int')#处理年龄数据data['Age'] = np.floor(data['Age'])#处理登船港口数据labels = data['Embarked'].unique().tolist()data['Embarked'] = data['Embarked'].apply(lambda n:labels.index(n))#处理缺失数据data = data.fillna(0)return datatrain = read_dataset('../input/titanic/train.csv')
预处理完后,如图
四、数据建模
首先,把Survived列提取出来作为标签,然后在原数据集中将其丢弃。同时把数据集分为训练数据集和交叉验证数据集。
from sklearn.model_selection import train_test_splity = train['Survived'].valuesX = train.drop(['Survived'],axis=1).valuesX_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)print('train dataset:{0};test dataset:{1}'.format(X_train.shape,X_test.shape))
结果如图
接下来,使用scikit-learn的决策树模型对数据进行拟合
from sklearn.tree import DecisionTreeClassifierclf = DecisionTreeClassifier()clf.fit(X_train,y_train)train_score = clf.score(X_train,y_train)test_score = clf.score(X_test,y_test)print('train score:{0};test score:{1}'.format(train_score,test_score))
输出结果
从输出数据中可以看出,针对训练样本评分很高,但针对交叉验证数据集评分比较低,两者差距较大。很明显,这是过拟合的特征。解决决策树过拟合的方法是剪枝,包括前剪枝和后剪枝。不幸的是,scikit-learn不支持后剪枝,但提供一系列的模型参数b进行前剪枝。例如,我们通过max_depth参数限定决策树的深度,当决策树达到限定的深度时,就不再进行分裂了。这样就可以在一定程度熵避免过拟合。
五、优化模型参数
问题来了,难道我们要手动一个个地去试参数,然后找出最优的参数吗?一个最直观的解决办法就是选择一系列参数的值,然后分布计算用指定参数训练出来的模型的评分数据。还可以把两者的关系画出来,直观地看到参数值与模型准确度的关系。
以模型深度max_depth为例,我们先创建一个函数,它使用不同的模型深度训练模型,并计算评分数据
#参数选择 max_depthdef cv_score(d):clf = DecisionTreeClassifier()clf.fit(X_train,y_train)tr_score = clf.score(X_train,y_train)cv_score = clf.score(X_test,y_test)return (tr_score,cv_score)
接着构造参数范围,在这个范围内分别计算模型评分,并找出评分最高的模型所对应的参数。
depths = range(2,15)scores = [cv_score(d) for d in depths]tr_score = [s[0] for s in scores]cv_score = [s[1] for s in scores]#找出交叉验证数据集评分最高的索引best_score_index = np.argmax(cv_scores)best_score = cv_scores[best_score_index]best_param = depths[best_score_index]print('best param:{0};best score:{1}'.format(best_param,best_score))
可以看出,最优参数是11,最优分数是0.8268
我们可以将模型参数和模型评分画出来,直观地观察其变化规律
#将模型参数和模型评分画出来,直观地观察其变化规律plt.figure(figsize=(6,4),dpi=144)plt.grid()plt.xlabel('max depth of decision tree')plt.ylabel('score')plt.plot(depths,cv_scores,'.g-',label='cross-validation score')plt.legend()
同理,参数min_impurity_split也可如此;
但,我们介绍的模型参数优化方法有两个问题。
其一,数据不稳定,每次对数据集划分后,选择出来的模型参数就不是最优的了。
其二,不能一次选择多个参数,例如,我们想要把max_depth和min_samples_leaf两个结合起来的最优参数就没法实现。
对于问题一,我们可以多次计算,求平均值来解决。对于问题二,可以使用scikit-learn的sklearn.model_selection包中的模型选择和评估的工具,例如GridSearchCV。这里不做过多阐述。
如果觉得《【阅读笔记】使用决策树预测泰坦尼克号幸存者实例 - scikit-learn机器学习》对你有帮助,请点赞、收藏,并留下你的观点哦!