标签：and print ali encode state 需要 ash 结果 tip
文章目录
4. Pipelines 管道
5. Cross-Validation 交叉验证
上一篇：【Kaggle】Intermediate Machine Learning（缺失值+文字特征处理）
4. Pipelines 管道
该模块可以把数据前处理+建模整合起来
好处：
更清晰的代码：在预处理的每个步骤中对数据的核算都可能变得混乱。使用管道，您无需在每个步骤中手动跟踪训练和验证数据。
错误更少：错误地使用步骤或忘记预处理步骤的机会更少。
易于生产部署
对模型验证也有好处
步骤1： 定义前处理步骤
对缺失的数字数据，进行插值
对文字特征进行one-hot编码
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder
# Preprocessing for numerical data 数字数据插值
numerical_transformer = SimpleImputer(strategy=‘constant‘)
# Preprocessing for categorical data 文字特征处理，插值+编码转换
categorical_transformer = Pipeline(steps=[
(‘imputer‘, SimpleImputer(strategy=‘most_frequent‘)),
(‘onehot‘, OneHotEncoder(handle_unknown=‘ignore‘))
])
# Bundle preprocessing for numerical and categorical data
# 上面两者合并起来，形成完整的数据处理流程
preprocessor = ColumnTransformer(
transformers=[
(‘num‘, numerical_transformer, numerical_cols),
(‘cat‘, categorical_transformer, categorical_cols)
])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
步骤2： 定义模型
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor(n_estimators=100, random_state=0)
1
2
3
步骤3： 创建和评估管道
我们使用Pipeline类来定义将预处理和建模步骤捆绑在一起的管道。
管道会在生成预测之前自动对数据进行预处理（如果没有管道，我们必须在进行预测之前先对数据进行预处理）。
# Bundle preprocessing and modeling code in a pipeline
# 将 前处理管道 + 模型管道，再次叠加形成新管道
my_pipeline = Pipeline(steps=[(‘preprocessor‘, preprocessor),
(‘model‘, model)
])
# Preprocessing of training data, fit model
my_pipeline.fit(X_train, y_train)
# Preprocessing of validation data, get predictions
preds = my_pipeline.predict(X_valid)
1
2
3
4
5
6
7
8
9
10
11
# 用定义好的pipeline 对test进行预测，提交，代码很简洁，不易出错
preds_test = my_pipeline.predict(X_test)
# Save test predictions to file
output = pd.DataFrame({‘Id‘: X_test.index,
‘SalePrice‘: preds_test})
output.to_csv(‘submission.csv‘, index=False)
1
2
3
4
5
6
You advanced 5,020 places on the leaderboard!
Your submission scored 16459.13640, which is an improvement of your previous score of 16619.07644. Great job!
误差有点提升，哈哈，加油！??
5. Cross-Validation 交叉验证
交叉验证可以更好的验证模型，把数据分成几份（Folds），依次选取一份作为验证集，其余的用来训练，显然交叉验证会花费更多的时间
如何选择是否使用：
对于较小的数据集，不需要太多的计算负担，则应运行交叉验证
对于较大的数据集，单个验证集就足够了，因为数据足够多了，交叉验证花费的时间成本变大
没有简单的准则，如果模型花费几分钟或更短的时间来运行，那就使用交叉验证吧
可以运行交叉验证，看看每个实验的分数是否接近。如果每个实验产生相同的结果，则单个验证集可能就足够了
from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
my_pipeline = Pipeline(steps=[
(‘preprocessor‘, SimpleImputer()),
(‘model‘, RandomForestRegressor(n_estimators=50,random_state=0))
])
1
2
3
4
5
6
7
8
from sklearn.model_selection import cross_val_score
# Multiply by -1 since sklearn calculates *negative* MAE
scores = -1 * cross_val_score(my_pipeline, X, y,
cv=5,
scoring=‘neg_mean_absolute_error‘)
print("MAE scores:\n", scores)
print("Average MAE score (across experiments):")
print(scores.mean())
1
2
3
4
5
6
7
8
# 树的棵数不同情况下，交叉验证的得分均值
def get_score(n_estimators):
"""Return the average MAE over 3 CV folds of random forest model.
Keyword argument:
n_estimators -- the number of trees in the forest
"""
my_pipeline = Pipeline(steps=[
(‘preprocessing‘,SimpleImputer()),
(‘model‘,RandomForestRegressor(n_estimators=n_estimators,random_state=0))
])
scores = -1*cross_val_score(my_pipeline,X,y,cv=3,scoring=‘neg_mean_absolute_error‘)
return scores.mean()
results = {}
for i in range(1,9):# 获取树的棵树是50，100，。。。，400时，模型的效果
results[50*i] = get_score(50*i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 可视化不同参数下的模型效果
import matplotlib.pyplot as plt
%matplotlib inline
plt.plot(list(results.keys()), list(results.values()))
plt.show()
n_estimators_best = min(results, key=results.get) #最合适的参数
1
2
3
4
5
6
7
还可以通过 sklearn.model_selection.GridSearchCV 网格式搜索最佳的参数
————————————————
原文链接：https://blog.csdn.net/qq_21201267/article/details/106065735
https://ing.cnblogs.com/tag/%E6%9D%8F%E9%91%AB%E6%80%BB%E4%BB%A3%E7%90%86%E3%80%90Q1530667%E3%80%91/
https://ing.cnblogs.com/tag/%E6%9D%8F%E9%91%AB%E5%B9%B3%E5%8F%B0%E6%80%BB%E4%BB%A3%E7%90%86%E3%80%90Q1530667%E3%80%91/
https://ing.cnblogs.com/tag/%E6%9D%8F%E9%91%AB%E5%B9%B3%E5%8F%B0%E4%BB%A3%E7%90%86%E3%80%90Q1530667%E3%80%91/
http://www.lukou.com/user/1926060
http://www.ugsnx.com/space-uid-9421963.html
http://www.ugsnx.com/space-uid-9421965.html
http://www.ugsnx.com/?9422159
http://www.ugsnx.com/?9422163
http://www.ugsnx.com/?9422165
http://www.ugsnx.com/?9422166
http://www.ugsnx.com/?9422168
http://www.ugsnx.com/?9422169
http://www.ugsnx.com/?9422172
http://www.ugsnx.com/?9422173
http://www.ugsnx.com/?9422174
http://www.ugsnx.com/?9422176
http://www.ugsnx.com/?9422177
http://www.ugsnx.com/?9422180
http://www.ugsnx.com/?9422181
http://www.ugsnx.com/?9422188
http://www.ugsnx.com/?9422191
【Kaggle】Intermediate Machine Learning（管道+交叉验证）
标签：and print ali encode state 需要 ash 结果 tip
原文地址：https://www.cnblogs.com/dasdfdfecvcx/p/12885469.html
