码迷,mamicode.com
首页 > 其他好文 > 详细

坦克尼克号存活率预测

时间:2020-03-12 20:29:03      阅读:106      评论:0      收藏:0      [点我收藏+]

标签:编写   start   行数据   series   job   字典   data   不能   lan   

主要涉及到的内容有:数据处理(对空白数据进行填充:Imputer)、自定义转换器、pipeline的编写以及采用SVC及RandomForestClassifier进行分类预测

采用的数据集来自Kaggle的坦克尼克号的预测(Titanic challenge )

读取数据

import os
TITANIC_Path = os.path.join(datasets,titanic)
import pandas as pd

def load_titanic_data(filename,titanic_path = TITANIC_Path):
    csv_path = os.path.join(titanic_path,filename)
    return pd.read_csv(csv_path)
train_data = load_titanic_data(train.csv)
test_data = load_titanic_data(test.csv)
train_data.head()

技术图片

 

查看数据信息:

train_data.info()

技术图片

train_data.describe()

技术图片

 使用value_counts()查看属性出现的次数

train_data[Survived].value_counts()

技术图片

train_data[Pclass].value_counts()

技术图片

train_data[Sex].value_counts()

技术图片

 进行转换器的编写,需要继承BaseEstimator以及TransformerMixin两个类,需要实现fit方法以及transform方法

from sklearn.base import BaseEstimator,TransformerMixin
class DataFrameSelector(BaseEstimator,TransformerMixin):
    def __init__(self,attribute_names):
        self.attribute_names = attribute_names
    def fit(self,X,y = None):
        return self
    def transform(self,X):
        return X[self.attribute_names]
转换器DataFrameSelector用于选择某个属性的数据
通过pipeline将数据传给DataFrameSelector中进行数据的筛选
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import Imputer 

num_pipline = Pipeline([
    (select_numeric,DataFrameSelector([Age,SibSp,Parch,Fare])),
    (imputer,Imputer(strategy = median)),
])

在执行fit_transform()方法时,先执行了fit方法,将属性Age、SibSp、Parch、Fare传给了DataFrameSelector,返回这属性的数据,并将数据通过Imputer对空白数据进行填充

s =num_pipline.fit_transform(train_data)
s

技术图片

s.shape

技术图片

 可看到Age原本只有714条为非空数据,现在都是891条数据了

Imputer仅对数字型的数据具有数据填充的功能,但对字符型的它真是有点爱莫能助了,但方法总比困难多

class MostFrequentImputer(BaseEstimator,TransformerMixin):
    def __init__(self):
        pass
    def fit(self,X,y = None):
        self.most_frequent_ = pd.Series([X[c].value_counts().index[0] for c in X],index = X.columns)
#         print([X[c].value_counts().index[0] for c in X])
        return self
    def transform(self,X,y = None):
        return X.fillna(self.most_frequent_)

MostFrequentImputer转换器作用是将出现频率最多的作为填充数据,对空白数据进行填充

这里还要注意到:读取表头的方法,也是令我耳目一新,[X[c].value_counts().index[0] for c in X],可以对它进行化简

[c for c in train_data]

技术图片

 可以专门把表头给读取出来

还有需要对pd.Series()方法进行介绍:

   Pandas是基于Series和DataFrame两种数据类型的。

参考:https://blog.ouyangsihai.cn/%2Fpandas-jiao-cheng-series-he-dataframe.html

  Series:一种类似于一维数组的对象,是由一组数据(各种Numpy数据类型)以及一组与之相关的数据标签(即索引)组成

  DataFrame:一个表格型的数据结构,包括有一组有序的列,每列可以是不同的值类型(数值、字符串、布尔型等),DataFrame既有行索引也有列索引,可以被看做是由Series组成的字典。

  Series:一个Series是一个一维的数据类型,其中每一个元素都有一个标签。类似于Numpy中元素带标签的数组,其中标签可以是数组或者是字符串

  Series的属性:

技术图片

 

   pandas.Series(data,index,dtype,copy)

技术图片

 

   创建Series的方式,可以通过一维数组方式、ndarray、字典创建Series

  Series值的获取:有两种方式

    1、通过方括号+索引的方式读取对应的索引的数据,有可能返回多条数据

    2、通过方括号+下标值的方式读取对应下标值的数据,下标值的取值范围为:[0,len(Series.values)];另外下标值也可以是负数,表示从右往左获取数据

  DataFrame:一个DataFrame是一个二维的表结构。Pandas的DataFrame可以存储许多不同的数据类型,并且每一个坐标轴都有自己的标签

  DataFrame的属性

技术图片

 

   DataFrame的创建:使用构造函数

  • pandas.DataFrame( data, index, columns, dtype, copy)

技术图片

 

 参考:https://blog.ouyangsihai.cn/%2Fpandas-jiao-cheng-series-he-dataframe.html

言归正传,字符串的数据在做训练的时候,很多分类器是不支持的,因此,需要进行OneHot编码

from sklearn.preprocessing import OneHotEncoder
cat_pipeline = Pipeline([
    (select_cat,DataFrameSelector([Pclass,Sex,Embarked])),
    (imputer,MostFrequentImputer()),
    (cat_encoder,OneHotEncoder(sparse = False))
])
a = cat_pipeline.fit_transform(train_data)
a

技术图片

 现在,数字型的数据处理好了,字符串的数据也处理好了,需要重新将这两部分数据整合,进行训练

from sklearn.pipeline import FeatureUnion
preprocess_pipeline = FeatureUnion(transformer_list=[
    (num_pipeline,num_pipline),
    (cat_pipeline,cat_pipeline)
])
X_train = preprocess_pipeline.fit_transform(train_data)
X_train

技术图片

 不要忘了,获取标签,这对监督学习非常重要

y_train = train_data[Survived]

进行SVC(就是使用SVM做分类任务)分类训练

from sklearn.svm import SVC
svm_clf = SVC(gamma = auto)
svm_clf.fit(X_train,y_train)

技术图片

 训练之后,想尝试下在测试集上的效果,也需要将测试集执行下上述的pipeline操作

X_test = preprocess_pipeline.transform(test_data)
y_pred = svm_clf.predict(X_test)

现在来看下交叉验证集的效果

from sklearn.model_selection import cross_val_score

svm_scores = cross_val_score(svm_clf,X_train,y_train,cv = 15)
svm_scores.mean()

技术图片

 现在来尝试下随机森林(介绍下RandomForestClassifier的参数,参考:https://blog.csdn.net/u012102306/article/details/52228516)

//RandomForestClassifier的参数
class
sklearn.ensemble.RandomForestClassifier(n_estimators=10, crite-rion=’gini’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=’auto’, max_leaf_nodes=None, bootstrap=True, oob_score=False, n_jobs=1, ran-dom_state=None, verbose=0, warm_start=False, class_weight=None)

其中关于决策树的参数:
criterion: ”gini” or “entropy”(default=”gini”)是计算属性的gini(基尼不纯度)还是entropy(信息增益),来选择最合适的节点。

splitter: ”best” or “random”(default=”best”)随机选择属性还是选择不纯度最大的属性,建议用默认。

max_features: 选择最适属性时划分的特征不能超过此值。

当为整数时,即最大特征数;当为小数时,训练集特征数*小数;

if “auto”, then max_features=sqrt(n_features).

If “sqrt”, thenmax_features=sqrt(n_features).

If “log2”, thenmax_features=log2(n_features).

If None, then max_features=n_features.

max_depth: (default=None)设置树的最大深度,默认为None,这样建树时,会使每一个叶节点只有一个类别,或是达到min_samples_split。

min_samples_split:根据属性划分节点时,每个划分最少的样本数。
min_samples_leaf:叶子节点最少的样本数。

max_leaf_nodes: (default=None)叶子树的最大样本数。

min_weight_fraction_leaf: (default=0) 叶子节点所需要的最小权值

verbose:(default=0) 是否显示任务进程
关于随机森林特有的参数:
n_estimators=10:决策树的个数,越多越好,但是性能就会越差,至少100左右(具体数字忘记从哪里来的了)可以达到可接受的性能和误差率。 
bootstrap=True:是否有放回的采样。  
oob_score=False:oob(out of band,带外)数据,即:在某次决策树训练中没有被bootstrap选中的数据。多单个模型的参数训练,我们知道可以用cross validation(cv)来进行,但是特别消耗时间,而且对于随机森林这种情况也没有大的必要,所以就用这个数据对决策树模型进行验证,算是一个简单的交叉验证。性能消耗小,但是效果不错。  

n_jobs=1:并行job个数。这个在ensemble算法中非常重要,尤其是bagging(而非boosting,因为boosting的每次迭代之间有影响,所以很难进行并行化),因为可以并行从而提高性能。1=不并行;n:n个并行;-1:CPU有多少core,就启动多少job

warm_start=False:热启动,决定是否使用上次调用该类的结果然后增加新的。  

class_weight=None:各个label的权重。  

进行预测可以有几种形式:
predict_proba(x):给出带有概率值的结果。每个点在所有label的概率和为1.  

predict(x):直接给出预测结果。内部还是调用的predict_proba(),根据概率的结果看哪个类型的预测值最高就是哪个类型。  

predict_log_proba(x):和predict_proba基本上一样,只是把结果给做了log()处理。  

 

from sklearn.ensemble import RandomForestClassifier
forest_clf = RandomForestClassifier(n_estimators=100,random_state = 42)
forest_scores = cross_val_score(forest_clf,X_train,y_train,cv = 15)
forest_scores.mean()

技术图片

 达到了80%,还是可以的

现在来对这两种方案进行可视化操作

import matplotlib.pyplot as plt
plt.figure(figsize = (8,4))
plt.plot([1]* 15,svm_scores,.)
plt.plot([2]* 15,forest_scores,.)
plt.boxplot([svm_scores,forest_scores],labels=(SVM,Random Forest))
plt.ylabel("Accuracy",fontsize = 14)
plt.show()

技术图片

 

 当然,也可以将属性进行处理后进行训练,也许会得到不错的效果

#分组
train_data[AgeBucket] = train_data[Age] // 15 * 15
train_data[[AgeBucket,Survived]].groupby([AgeBucket]).mean()

 

坦克尼克号存活率预测

标签:编写   start   行数据   series   job   字典   data   不能   lan   

原文地址:https://www.cnblogs.com/whiteBear/p/12466388.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!