集成算法 | 易学教程

我们以泰坦尼克号的获救信息为列

第一步：读取数据

import  pandas as pd
import numpy as np

titanic = pd.read_csv('titanic_train.csv')

#输出统计值
print(titanic.describe())

第二步：数据准备

1.对于数字型缺失,我们使用均值来填充缺失值,对于字母型缺失, 我们使用出现概率最大的字母来填充缺失值

2.为了便于计算我们需要把字母类型，转换为数字类型

#使用均值填充缺失值
titanic['Age'] = titanic['Age'].fillna(titanic['Age'].median())

#输出其中的类别
print(titanic['Sex'].unique())

#.loc取出对应的数据，前面一个参数是索引，后面是对应的属性,将字符串转换为数字类型
titanic.loc[titanic['Sex']=='male', "Sex"] = 0
titanic.loc[titanic['Sex']=='female', "Sex"] = 1


print(titanic['Embarked'].unique())
#存在缺失值, 字母的话，用出现次数最多的S补齐
titanic['Embarked'] = titanic['Embarked'].fillna('S')

#将字母属性转换为数字属性
titanic.loc[titanic['Embarked']=='S', 'Embarked'] = 0
titanic.loc[titanic['Embarked']=='C', 'Embarked'] = 1
titanic.loc[titanic['Embarked']=='Q', 'Embarked'] = 2

第三步:算法尝试，我们使用了线性回归

#使用线性回归模型预测结果

from sklearn.linear_model import LinearRegression, LogisticRegression

#导入交叉验证的库
from sklearn.cross_validation import KFold

#测试样本的属性值
predictors =  ['Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']


predictions = []
alg = LinearRegression()
kf = KFold(titanic.shape[0], n_folds=3, random_state=1)  #进行交叉验证分割,n_folds 表示分割的次数


# 做交叉验证
for train, test in kf:

    #建立测试样本参数
    train_predictors = (titanic[predictors].iloc[train, :])
    #建立测试样本的结果
    train_target = titanic['Survived'].iloc[train]
    #建立模型
    alg.fit(train_predictors, train_target)
    #使用分割的验证集进行样本预测，
    test_predictions = alg.predict(titanic[predictors].iloc[test, :])
    #添加预测结果
    predictions.append(test_predictions)



predictions = np.concatenate(predictions, axis=0)  #在一列上组合结果
#对predictions 进行分类
predictions[predictions > 0.5] = 1 
predictions[predictions < 0.5] = 0

print(np.sum(predictions == titanic["Survived"])/len(titanic))  # 统计布尔值,计算结果>>>0.78

第四步：使用logistic做尝试,最后的结果与线性回归结果差不多

from sklearn import cross_validation  
from sklearn.linear_model import LogisticRegression

#建立logstic模型
alg = LogisticRegression(random_state=1)

#直接的交叉验证,scores为准确度
scores = cross_validation.cross_val_score(alg, titanic[predictors], titanic["Survived"], cv=3)
#对score进行加和平均
print(scores.mean())>>>> 0.78

第五步：使用随机森林进行尝试,调整参数后,精度发生了一定的提升,关于随机森林的参数调节可以使用GridSearchCV

# 使用随机森林

from sklearn import cross_validation
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor

#得到样本的参数名
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]

# 建立树模型
alg = RandomForestClassifier(random_state=1, n_estimators=10, min_samples_split=2, min_samples_leaf=1)

#交叉验证， 采用cross_validation.cross_val_score 直接获得交叉验证的准确度
kf = cross_validation.KFold(titanic.shape[0], n_folds=3, random_state=1)  #交叉验证拆分
scores = cross_validation.cross_val_score(alg, titanic[predictors], titanic["Survived"], cv=kf)

#对准确度求平均
print(scores.mean())
>>>>0.78
#这里我们调节了RandomForestClassifier的参数，重新验证
alg = RandomForestClassifier(random_state=1, n_estimators=50, min_samples_split=4, min_samples_leaf=2)
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]

kf = cross_validation.KFold(titanic.shape[0], n_folds=3, random_state=1) #进行了分割
print(kf)
score = cross_validation.cross_val_score(alg, titanic[predictors], titanic['Survived'], cv=kf)

print(score.mean())>>>> 0.8154

第6步：我们探讨一下样本属性的重要性，以及对样本属性进行挖掘

1. 变量挖掘

#我们通过观察重新组合一个属性.
titanic['FamilySize'] = titanic['SibSp'] + titanic['Parch']
#对于titanic['Name']使用lambda x:len(x)函数构成Namelength属性
titanic['Namelength'] = titanic['Name'].apply(lambda x:len(x))


# 引入正则表达式
import re

#从名字中提取一个新的属性
def get_title(name):
    # Use a regular expression to search for a title.  Titles always consist of capital and lowercase letters, and end with a period.
    title_search = re.search(' ([A-Za-z]+)\.', name)
    # If the title exists, extract and return it.
    if title_search:
        return title_search.group(1)
    return ""

# 对名字选项使用get_title函数
titles = titanic["Name"].apply(get_title)  
print(pd.value_counts(titles))
#将字母类型转换为数字类型
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Dr": 5, "Rev": 6, "Major": 7, "Col": 7, "Mlle": 8, "Mme": 8, "Don": 9, "Lady": 10, "Countess": 10, "Jonkheer": 10, "Sir": 9, "Capt": 7, "Ms": 2}
#组合了一个关于名字的属性
for k, v in title_mapping.items():
    titles[titles==k] = v
#创建一个新的变量
titanic["Title"] = titles

2.评估样本属性的重要性

样本属性的重要性的评估，是通过给单个样本属性添加干扰值，分析前后的分类效果，如果分类效果不变就说明该样本属性不重要，否者就说明该样本是重要的

import numpy as np
from sklearn.feature_selection import  SelectKBest, f_classif
import matplotlib.pyplot as plt

predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked", 'Title', 'Namelength', 'FamilySize']
selector = SelectKBest(f_classif, k=5)  #f_classif只适用与分类，k=5表示主要功能数量为5个
selector.fit(titanic[predictors], titanic['Survived'])

score = -np.log(selector.pvalues_) #打印得分

plt.bar(range(len(score)), score) #做柱形图，第一个参数是横坐标，第二个参数是得分高度
plt.xticks(range(len(predictors)), predictors, rotation='vertical') #rotation 表示摆放位置是竖直的
plt.show()

从图中我们可以看出pclass, sex, fare, title, Namelength五个属性的重要性较高,我们使用这四个属性进行再次的分析,我们发现只是提高了一点点的效果,呵呵了

#重新选择参数
predictors = ['Pclass', 'Sex', 'Fare', 'Title', 'Namelength']

alg = RandomForestClassifier(random_state=1, n_estimators=50, min_samples_split=4, min_samples_leaf=2)

kf = cross_validation.KFold(titanic.shape[0], n_folds=3, random_state=1) #进行了分割

score = cross_validation.cross_val_score(alg, titanic[predictors], titanic['Survived'], cv=kf)

print(score.mean())>>>0.8159

第7步，只能放大招了，我们这里使用集成算法，我们使用梯度提升树和 LogisticRegression，提高了一些精度，说明还是有效果的

from sklearn.ensemble import GradientBoostingClassifier
import numpy as np
# 算法集合：梯度提升树分类器 和 LogisticRegression
algorithms = [
              [GradientBoostingClassifier(random_state=1, n_estimators=25, max_depth=3), \
              ["Pclass", "Sex", "Age", "Fare", "Embarked", 'Title', 'FamilySize']],
              [LogisticRegression(random_state=1), \
               ["Pclass", "Sex", "Age", "Fare", "Embarked", 'Title', 'FamilySize']]
              ]

#交叉验证
kf = KFold(titanic.shape[0], n_folds=3, random_state=1) #进行分割


predictions = []
for train, test in kf: #训练集和测试集的分离
    train_target = titanic['Survived'].iloc[train]  #从原始样本分离train的Survived
    full_test_preditions = []
    for alg, predictors in algorithms:
        alg.fit(titanic[predictors].iloc[train, :], train_target) #模型训练
        # alg.predict_proba转换为概率,astype变为float类型
        test_predictions = alg.predict_proba(titanic[predictors].iloc[test,:].astype(float))[:, 1]
        full_test_preditions.append(test_predictions)
    # test_predictions = (full_test_preditions[0] + full_test_preditions[1])/2
    #增加梯度提升树分类器的权重
    test_predictions = (full_test_preditions[0] * 3 + full_test_preditions[1]) / 4
    # 把概率值转换为数值
    test_predictions[test_predictions <=.5] = 0
    test_predictions[test_predictions > .5] = 1
    predictions.append(test_predictions)

predictions = np.concatenate(predictions, axis=0)  #将（3，291）二维转换为一维数据,（873，1）axis=0维度

print(np.sum(predictions == titanic["Survived"])/len(titanic))  # np.sum统计布尔值,计算结果>>>82.5