本文转载自:https://gitee.com/wizardforcel/sklearn-cb
未经作者的许可,此代码仅用于学习,不能用于其他用途。

# 第五章 模型后处理

# K-fold 交叉验证

这个秘籍中,我们会创建交叉验证,它可能是最重要的模型后处理验证练习。我们会在这个秘籍中讨论 k-fold 交叉验证。有几种交叉验证的种类,每个都有不同的随机化模式。K-fold 可能是一种最熟知的随机化模式。

# 准备

我们会创建一些数据集,之后在不同的在不同的折叠上面训练分类器。值得注意的是,如果你可以保留一部分数据,那是最好的。例如,我们拥有 N = 1000 的数据集,如果我们保留 200 个数据点,之后使用其他 800 个数据点之间的交叉验证,来判断最佳参数。

# 工作原理

首先,我们会创建一些伪造数据,之后测试参数,最后,我们会看看结果数据集的大小。

>>> N = 1000  
>>> holdout = 200
>>> from sklearn.datasets import make_regression 
>>> X, y = make_regression(1000, shuffle=True)

既然我们拥有了数据,让我们保留 200 个点,之后处理折叠模式。

>>> X_h, y_h = X[:holdout], y[:holdout] 
>>> X_t, y_t = X[holdout:], y[holdout:]
>>> from sklearn.cross_validation import KFold

K-fold 给了我们一些选项,来选择我们想要多少个折叠,是否让值为下标或者布尔值,是否打算打乱数据集,最后是随机状态(主要出于再现性)。下标实际上会在之后的版本中溢出。假设它为 True

让我们创建交叉验证对象:

>>> kfold = KFold(len(y_t), n_folds=4)

现在,我们可以迭代 k-fold 对象:

>>> output_string = "Fold: {}, N_train: {}, N_test: {}"
>>> for i, (train, test) in enumerate(kfold):
        print output_string.format(i, len(y_t[train]), len(y_t[test]))
        
Fold: 0, N_train: 600, N_test: 200 
Fold: 1, N_train: 600, N_test: 200 
Fold: 2, N_train: 600, N_test: 200 
Fold: 3, N_train: 600, N_test: 200

每个迭代都应该返回相同的分割大小。

# 工作原理

可能很清楚,但是 k-fold 的原理是迭代折叠,并保留 1/n_folds * N 个数据,其中 N 是我们的 len(y_t)

从 Python 的角度看,交叉验证对象拥有一个迭代器,可以通过 in 运算符来访问。通常,对于编写交叉验证对象的包装器来说比较实用,它会迭代数据的子集。例如我们可能拥有一个数据集,它拥有数据点的重复度量,或者我们可能拥有一个病人的数据集,每个病人都拥有度量。

我们打算将它们组合起来,并对其使用 Pandas。

>>> import numpy as np 
>>> import pandas as pd
>>> patients = np.repeat(np.arange(0, 100, dtype=np.int8), 8)
>>> measurements = pd.DataFrame({'patient_id': patients,
                   'ys': np.random.normal(0, 1, 800)})

既然我们拥有了数据,我们仅仅打算保留特定的顾客,而不是数据点。

>>> custids = np.unique(measurements.patient_id) 
>>> customer_kfold = KFold(custids.size, n_folds=4)

>>> output_string = "Fold: {}, N_train: {}, N_test: {}"

>>> for i, (train, test) in enumerate(customer_kfold):
        train_cust_ids = custids[train]
        training = measurements[measurements.patient_id.isin(
                   train_cust_ids)]
        testing = measurements[~measurements.patient_id.isin(
                   train_cust_ids)]

        print output_string.format(i, len(training), len(testing))

Fold: 0, N_train: 600, N_test: 200 
Fold: 1, N_train: 600, N_test: 200 
Fold: 2, N_train: 600, N_test: 200 
Fold: 3, N_train: 600, N_test: 200 

# 自动化交叉验证

我们会查看如何使用 Sklearn 自带的交叉验证,但是我们也可以使用一个辅助函数,来自动化执行交叉验证。这类似于 Sklearn 中其它对象,如何被辅助函数和流水线包装。

# 准备

首先,我们需要创建样例分类器,它可以是任何东西,决策树、随机森林,以及其他。对我们来说,它是随机森林。我们之后会创建数据集,并使用交叉验证函数。

# 工作原理

首先导入 ensemble 模块来开始:

>>> from sklearn import ensemble 
>>> rf = ensemble.RandomForestRegressor(max_features='auto')

好的,所以现在,让我们创建一些回归数据:

>>> from sklearn import datasets 
>>> X, y = datasets.make_regression(10000, 10)

既然我们拥有了数据,我们可以导入 cross_validation 模块,并获取我们将要使用的函数:

>>> from sklearn import cross_validation
>>> scores = cross_validation.cross_val_score(rf, X, y)
>>> print scores
[ 0.86823874  0.86763225  0.86986129]

# 工作原理

很大程度上,它会委托给交叉验证对象。一个不错的事情是,函数会并行处理交叉验证。

我们可开启详细模式:

>>> scores = cross_validation.cross_val_score(rf, X, y, verbose=3,
             cv=4)
             
[CV] no parameters to be set 
[CV] no parameters to be set, score=0.872866 -   0.7s 
[CV] no parameters to be set 
[CV] no parameters to be set, score=0.873679 -   0.6s 
[CV] no parameters to be set 
[CV] no parameters to be set, score=0.878018 -   0.7s 
[CV] no parameters to be set 
[CV] no parameters to be set, score=0.871598 -   0.6s
[Parallel(n_jobs=1)]: Done   1 jobs       | elapsed:    0.7s 
[Parallel(n_jobs=1)]: Done   4 out of   4 | elapsed:    2.6s finished

我们可以看到,在每次迭代中,我们都调用函数来获得得分。我们也知道了模型如何运行。

同样值得了解是的,我们可以对我们尝试拟合的模型,获取预测得分。我们也会讨论如何创建你自己的评分函数。

# 使用 ShuffleSplit 交叉验证

ShuffleSplit 是最简单的交叉验证技巧之一。这个交叉验证技巧只是将数据的样本用于指定的迭代数量。

# 准备

ShuffleSplit 是另一个简单的交叉验证技巧。我们会指定数据集中的总元素,并且它会考虑剩余部分。我们会浏览一个例子,估计单变量数据集的均值。这有点类似于重采样,但是它说明了一个原因,为什么我们在展示交叉验证的时候使用交叉验证。

# 操作步骤

首先,我们需要创建数据集。我们使用 NumPy 来创建数据集,其中我们知道底层的均值。我们会对半个数据集采样,来估计均值,并看看它和底层的均值有多接近。

>>> import numpy as np
>>> true_loc = 1000 
>>> true_scale = 10 
>>> N = 1000
>>> dataset = np.random.normal(true_loc, true_scale, N)
>>> import matplotlib.pyplot as plt
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.hist(dataset, color='k', alpha=.65, histtype='stepfilled'); 
>>> ax.set_title("Histogram of dataset");
>>> f.savefig("978-1-78398-948-5_06_06.png")

NumPy 输出如下:

现在,让我们截取前一半数据集,并猜测均值:

>>> from sklearn import cross_validation
>>> holdout_set = dataset[:500] 
>>> fitting_set = dataset[500:]
>>> estimate = fitting_set[:N/2].mean()
>>> import matplotlib.pyplot as plt
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.set_title("True Mean vs Regular Estimate")
>>> ax.vlines(true_loc, 0, 1, color='r', linestyles='-', lw=5,
              alpha=.65, label='true mean') 
>>> ax.vlines(estimate, 0, 1, color='g', linestyles='-', lw=5,
              alpha=.65, label='regular estimate')
>>> ax.set_xlim(999, 1001)
>>> ax.legend()
>>> f.savefig("978-1-78398-948-5_06_07.png")

输出如下:

现在,我们可以使用 ShuffleSplit 在多个相似的数据集上拟合估计值。

>>> from sklearn.cross_validation import ShuffleSplit
>>> shuffle_split = ShuffleSplit(len(fitting_set))
>>> mean_p = []
>>> for train, _ in shuffle_split:
        mean_p.append(fitting_set[train].mean())
        shuf_estimate = np.mean(mean_p)
>>> import matplotlib.pyplot as plt
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.vlines(true_loc, 0, 1, color='r', linestyles='-', lw=5,
              alpha=.65, label='true mean') 
>>> ax.vlines(estimate, 0, 1, color='g', linestyles='-', lw=5,
              alpha=.65, label='regular estimate') 
>>> ax.vlines(shuf_estimate, 0, 1, color='b', linestyles='-', lw=5,
              alpha=.65, label='shufflesplit estimate')
>>> ax.set_title("All Estimates") 
>>> ax.set_xlim(999, 1001)
>>> ax.legend(loc=3)

输出如下:

我们可以看到,我们得到了类似于预期的估计值,但是我们可能使用多个样本来获取该值。

# 分层的 k-fold

这个秘籍中,我们会快速查看分层的 k-fold 估值。我们会浏览不同的秘籍,其中分类的表示在某种程度上是不平衡的。分层的 k-fold 非常不错,因为他的模式特地为维持分类的比例而设计。

# 准备

我们打算创建一个小型的数据集。这个数据集中,我们随后会使用分层的 k-fold 验证。我们想让它尽可能小,以便我们查看变化。对于更大的样本,可能并不是特别好。

我们之后会绘制每一步的分类比例,来展示如何维护分类比例。

>>> from sklearn import datasets 
>>> X, y = datasets.make_classification(n_samples=int(1e3),
           weights=[1./11])

让我们检查分类的总体权重分布:

>>> y.mean()
0.90300000000000002

90.5% 的样本都是 1,其余为 0。

# 操作步骤

让我们创建分层 k-fold 对象,并通过每个折叠来迭代。我们会度量为 1 的 verse 比例。之后,我们会通过分割数字来绘制分类比例,来看看是否以及如何发生变化。这个代码展示了为什么它非常好。我们也会对基本的 ShuffleSplit 绘制这个代码。

>>> from sklearn import cross_validation
>>> n_folds = 50
>>> strat_kfold = cross_validation.StratifiedKFold(y,
                  n_folds=n_folds) 
>>> shuff_split = cross_validation.ShuffleSplit(n=len(y),
                  n_iter=n_folds)
>>> kfold_y_props = [] 
>>> shuff_y_props = []
>>> for (k_train, k_test), (s_train, s_test) in zip(strat_kfold,  
>>> shuff_split):         
        kfold_y_props.append(y[k_train].mean())       
        shuff_y_props.append(y[s_train].mean())

现在,让我们绘制每个折叠上的比例:

>>> import matplotlib.pyplot as plt
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.plot(range(n_folds), shuff_y_props, label="ShuffleSplit",
            color='k') 
>>> ax.plot(range(n_folds), kfold_y_props, label="Stratified",
            color='k', ls='--') 
>>> ax.set_title("Comparing class proportions.")
>>> ax.legend(loc='best')

输出如下:

我们可以看到,分层的 k-fold 的每个折叠的比例,在每个折叠之间是稳定的。

# 工作原理

分层 k-fold 的原理是选取 y 值。首先,获取所有分类的比例,之后将训练集和测试集按比例划分。这可以推广到多个标签:

>>> import numpy as np
>>> three_classes = np.random.choice([1,2,3], p=[.1, .4, .5],
                    size=1000)
>>> import itertools as it
>>> for train, test in cross_validation.StratifiedKFold(three_classes, 5):
        print np.bincount(three_classes[train])
        
[  0  90 314 395] 
[  0  90 314 395]
[  0  90 314 395] 
[  0  91 315 395] 
[  0  91 315 396]

我们可以看到,我们得到了每个分类的样例大小,正好是训练集合测试集的比例。

# 菜鸟的网格搜索

这个秘籍中,我们打算使用 Python 来介绍基本的网格搜索,并且使用 Sklearn 来处理模型,以及 Matplotlib 来可视化。

# 准备

这个秘籍中,我们会执行下面这些东西:

  • 在参数空间中设计基本的搜索网格。

  • 迭代网格并检查数据集的参数空间中的每个点的损失或评分函数。

  • 选取参数空阿基那种的点,它使评分函数最大或者最小。

同样,我们训练的模型是个基本的决策树分类器。我们的参数空间是 2 维的,有助于我们可视化。

criteria = {gini, entropy}
max_features = {auto, log2, None}

参数空间是 criteriamax_features 的笛卡尔积。

我们会了解如何使用 itertools 来迭代这个空间。

让我们创建数据集来开始:

>>> from sklearn import datasets 
>>> X, y = datasets.make_classification(n_samples=2000, n_features=10)

# 操作步骤

之前我们说,我们使用网格搜索来调整两个参数 -- criteriamax_features``criteriamax_features 。我们需要将其表示为 Python 集合,之后使用 itertools.product 来迭代它们。

不错,所以既然我们拥有了参数空间,让我们迭代它并检查每个模型的准确率,它们由参数指定。之后,我们保存这个准确率,便于比较不同的参数空间。我们也会使用以 50, 50 划分的测试和训练集。

import numpy as np 
train_set = np.random.choice([True, False], size=len(y)) 
from sklearn.tree import DecisionTreeClassifier 
accuracies = {} 
for criterion, max_feature in parameter_space:
    dt = DecisionTreeClassifier(criterion=criterion,                
         max_features=max_feature)
    dt.fit(X[train_set], y[train_set])
    accuracies[(criterion, max_feature)] = (dt.predict(X[~train_set])
                                         == y[~train_set]).mean() 
>>> accuracies 
{('entropy', None): 0.974609375, ('entropy', 'auto'): 0.9736328125, ('entropy', 'log2'): 0.962890625, ('gini', None): 0.9677734375, ('gini', 'auto'): 0.9638671875, ('gini', 'log2'): 0.96875}

所以现在我们拥有了准确率和它的表现。让我们可视化它的表现。

>>> from matplotlib import pyplot as plt 
>>> from matplotlib import cm 
>>> cmap = cm.RdBu_r 
>>> f, ax = plt.subplots(figsize=(7, 4)) 
>>> ax.set_xticklabels([''] + list(criteria)) 
>>> ax.set_yticklabels([''] + list(max_features)) 
>>> plot_array = [] 
>>> for max_feature in max_features:
        m = [] 
>>> for criterion in criteria:       
        m.append(accuracies[(criterion, max_feature)])       
        plot_array.append(m) 
>>> colors = ax.matshow(plot_array, vmin=np.min(accuracies.values()) -
             0.001, vmax=np.max(accuracies.values()) + 0.001, cmap=cmap) 
>>> f.colorbar(colors)

输出如下:

很容易看到哪个表现最好。单元你可以使用爆破方式看到它如何进一步处理。

# 工作原理

原理很简单,我们只需要执行下列步骤:

  1. 选取一系列参数
  2. 迭代它们并求得每一步的准确率
  3. 通过可视化来寻找最佳的表现

# 爆破网格搜索

这个秘籍中,我们会使用 Sklearn 做一个详细的网格搜索。这基本和上一章的事情相同,但是我们使用内建方法。

我们也会浏览一个执行随机化优化的示例。这是个用于爆破搜索的替代方案。本质上,我们花费一些计算周期,来确保搜索了整个空间。我们在上一个秘籍中比较冷静,但是,你可以想想拥有多个步骤的模型,首先对缺失数据进行估算,之后使用 PCA 降低维度来分类。你的参数空间可能非常大,非常块,因此,搜索一部分空间是有利的。

# 准备

我们需要下列步骤来开始:

  1. 创建一些数据集

  2. 之后创建 LogisticRegression 对象,训练我们的模型

  3. 之后,我们创建搜索对象, GridSearch RandomizedSearchCV

# 工作原理

执行下列代码来创建一些分类数据

>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(1000, n_features=5)

现在,我们创建逻辑回归对象:

>>> from sklearn.linear_model import LogisticRegression
>>> lr = LogisticRegression(class_weight='auto')

我们需要指定打算搜索的参数。对于 GridSearch ,我们可以指定所关心的范围,但是对于 RandomizedSearchCV ,我们实际上需要指定相同空间上的分布:

>>> lr.fit(X, y)
LogisticRegression(C=1.0, class_weight={0: 0.25, 1: 0.75}, dual=False, 
                   fit_intercept=True, intercept_scaling=1,
                   penalty='l2', random_state=None, tol=0.0001)
>>> grid_search_params = {'penalty': ['l1', 'l2'],
                          'C': [1, 2, 3, 4]}

我们需要做的唯一一个修改,就是将 C 参数描述为概率分布。我们现在使其保持简单,虽然我们使用 scipy 来描述这个分布。

>>> import scipy.stats as st >>> import numpy as np
>>> random_search_params = {'penalty': ['l1', 'l2'],
                            'C': st.randint(1, 4)}

# 工作原理

现在,我们要训练分类器了。原理是将 lr 作为参数传给搜索对象。

>>> from sklearn.grid_search import GridSearchCV, RandomizedSearchCV
>>> gs = GridSearchCV(lr, grid_search_params)

GridSearchCV 实现了和其他方法相同的 API:

>>> gs.fit(X, y)
GridSearchCV(cv=None, estimator=LogisticRegression(C=1.0,
            class_weight='auto', dual=False, fit_intercept=True,
            intercept_scaling=1, penalty='l2', random_state=None,
            tol=0.0001), fit_params={}, iid=True, loss_func=None,
            n_jobs=1, param_grid={'penalty': ['l1', 'l2'],
            'C': [1, 2, 3, 4]}, pre_dispatch='2*n_jobs', refit=True,
            score_func=None, scoring=None, verbose=0)

我们可以看到, param_grid 参数中的 penalty C 都是数组。

为了评估得分,我们可以使用网格搜索的 grid_scores_ 属性。我们也打算寻找参数的最优集合。我们也可以查看网格搜索的边际表现。

>>> gs.grid_scores_
[mean: 0.90300, std: 0.01192, params: {'penalty': 'l1', 'C': 1}, 
 mean: 0.90100, std: 0.01258, params: {'penalty': 'l2', 'C': 1}, 
 mean: 0.90200, std: 0.01117, params: {'penalty': 'l1', 'C': 2}, 
 mean: 0.90100, std: 0.01258, params: {'penalty': 'l2', 'C': 2}, 
 mean: 0.90200, std: 0.01117, params: {'penalty': 'l1', 'C': 3}, 
 mean: 0.90100, std: 0.01258, params: {'penalty': 'l2', 'C': 3}, 
 mean: 0.90100, std: 0.01258, params: {'penalty': 'l1', 'C': 4}, 
 mean: 0.90100, std: 0.01258, params: {'penalty': 'l2', 'C': 4}]

我们可能打算获取最大得分:

>>> gs.grid_scores_[1][1]
0.90100000000000002
>>> max(gs.grid_scores_, key=lambda x: x[1])
mean: 0.90300, std: 0.01192, params: {'penalty': 'l1', 'C': 1}

获取的参数就是我们的逻辑回归的最佳选择。

# 使用伪造的估计器来比较结果

这个秘籍关于创建伪造的估计其。这并不是一个漂亮或有趣的东西,但是我们值得为最后构建的模型创建一个参照点。

# 准备

这个秘籍中,我们会执行下列任务:

  1. 创建一些随机数据

  2. 训练多种伪造的估计器

我们会对回归数据和分类数据来执行这两个步骤。

# 操作步骤

首先,我们创建随机数据:

>>> X, y = make_regression()
>>> from sklearn import dummy
>>> dumdum = dummy.DummyRegressor()
>>> dumdum.fit(X, y)
DummyRegressor(constant=None, strategy='mean')

通常,估计器仅仅使用数据的均值来做预测。

>>> dumdum.predict(X)[:5]
array([ 2.23297907,  2.23297907,  2.23297907,  2.23297907,         2.23297907])

我们可以尝试另外两种策略。我们可以提供常数来做预测(就是上面命令中的 constant=None ),也可以使用中位值来预测。

如果策略是 constant ,才会使用提供的常数。

让我们看一看:

>>> predictors = [("mean", None),
                  ("median", None),
                  ("constant", 10)]
                  
>>> for strategy, constant in predictors:
        dumdum = dummy.DummyRegressor(strategy=strategy,
                 constant=constant) 
>>> dumdum.fit(X, y)    
>>> print "strategy: {}".format(strategy), ",".join(map(str,
          dumdum.predict(X)[:5]))
          
strategy: mean 2.23297906733,2.23297906733,2.23297906733,2.23297906733,2 .23297906733
strategy: median 20.38535248,20.38535248,20.38535248,20.38535248,20.38535 248 
strategy: constant 10.0,10.0,10.0,10.0,10.0

我们实际上有四种分类器的选项。这些策略类似于连续情况,但是适用于分类问题:

>>> predictors = [("constant", 0),
                  ("stratified", None),
                  ("uniform", None),
                  ("most_frequent", None)]

我们也需要创建一些分类数据:

>>> X, y = make_classification()
>>> for strategy, constant in predictors:
        dumdum = dummy.DummyClassifier(strategy=strategy,
                 constant=constant)
        dumdum.fit(X, y)
        print "strategy: {}".format(strategy), ",".join(map(str,
              dumdum.predict(X)[:5]))
strategy: constant 0,0,0,0,0 
strategy: stratified 1,0,0,1,0 
strategy: uniform 0,0,0,1,1 
strategy: most_frequent 1,1,1,1,1

# 工作原理

最好在最简单的模型上测试你的模型,这就是伪造的估计器的作用。例如,在一个模型中,5% 的数据是伪造的。所以,我们可能能够训练出一个漂亮的模型,而不需要猜测任何伪造。

我们可以通过使用分层( stratified )策略来床架买模型,使用下面的命令。我们也可以获取一个不错的示例,关于为什么分类的不均等会导致问题:

>>> X, y = make_classification(20000, weights=[.95, .05])
>>> dumdum = dummy.DummyClassifier(strategy='most_frequent')
>>> dumdum.fit(X, y)
DummyClassifier(constant=None, random_state=None, strategy='most_ frequent')
>>> from sklearn.metrics import accuracy_score
>>> print accuracy_score(y, dumdum.predict(X))
0.94575

我们实际上经常是正确的,但关键不是这个。关键是,这就是我们的基线。如果我们不能为伪造数据创建模型,并且比这个更准确,它就不值得我们花时间。

# 回归模型评估

我们已经学过了如何量化分类中的误差,现在我们讨论连续问题中的误差。例如,我们尝试预测年龄而不是性别。

# 准备

像分类一样,我们伪造一些数据,之后绘制变化。我们开始会很简单,之后逐步变复杂。数据是模拟的线性模型。

m = 2
b = 1
y = lambda x: m * x + b

同时,导入我们的模块:

>>> import numpy as np 
>>> import matplotlib.pyplot as plt 
>>> from sklearn import metrics

# 操作步骤

我们会执行下列操作:

  1. 使用 y 来生成 y_actual

  2. 使用 y_actual 加上一些 err 生成 y_prediction'

  3. 绘制差异

  4. 遍历不同的度量并绘制它们

让我们同时关注步骤 1 和 2,并且创建一个函数来帮助我们。这与我们刚刚看的相同,但是我们添加一些功能来指定误差(如果是个常量则为偏差)。

>>> def data(x, m=2, b=1, e=None, s=10):
        """         
        Args:           
            x: The x value           
            m: Slope           
            b: Intercept           
            e: Error, optional, True will give random error       
        """           
        
        if e is None:
            e_i = 0       
        elif e is True:
            e_i = np.random.normal(0, s, len(xs))
        else:
            e_i = e
        return x * m + b + e_i

既然我们已经拥有了函数,让我们定义 y_haty_actual 。我们会以便利的方法来实现:

>>> from functools import partial
>>> N = 100 
>>> xs = np.sort(np.random.rand(N)*100)
>>> y_pred_gen = partial(data, x=xs, e=True) 
>>> y_true_gen = partial(data, x=xs)
>>> y_pred = y_pred_gen() 
>>> y_true = y_true_gen()
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.set_title("Plotting the fit vs the underlying process.") 
>>> ax.scatter(xs, y_pred, label=r'$\hat{y}$')
>>> ax.plot(xs, y_true, label=r'$y$')
>>> ax.legend(loc='best')

输出如下:

仅仅为了验证输出,我们要计算经典的残差。

>>> e_hat = y_pred - y_true
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.set_title("Residuals") 
>>> ax.hist(e_hat, color='r', alpha=.5, histtype='stepfilled')

输出如下:

看起来不错。

# 工作原理

现在让我们看看度量。

首先,一种度量就是均方误差。

MSE(y_trus, y_pred) = E((y_trus - y_pred)^2)
mse = ((y_trus - y_pred) ** 2).mean()

你可以使用下面的代码来计算均方误差值:

>>> metrics.mean_squared_error(y_true, y_pred)
93.342352628475368

要注意,这个代码会惩罚更大误差。要注意,我们这里所做的是,将模型的可能的损失函数应用于测试数据。

另一个萱萱个就是平均绝对差。我们需要计算差异的绝对值。如果我们不这么做,我们的值就可能接近于零,也就是分布的均值:

MAD(y_trus, y_pred) = E(|y_trus - y_pred|)
mad = np.abs(y_trus - y_pred).mean()

最终的选项是 R 平方,它是 1 减去拟合模型的均方误差,与整体均值的军方误差的比值。随着比值接近于 0,R 平方接近于 1。

rsq = 1 - ((y_trus - y_pred) ** 2).sum() / ((y_trus - y_trus.mean()) ** 2).sum()
>>> metrics.r2_score(y_true, y_pred)
0.9729312117010761

R 平方是描述性的,它不提供模型准确性的清晰感觉。

# 特征选取

这个秘籍以及后面那个都关于自动特征选取。我喜欢将其看做参数调整的特征替换。就像我们做交叉验证来寻找合适的通用参数,我们可以寻找合适的特征通用子集。这涉及到几种不同方式。

最简单的想法就是到那边了选取。其它方法涉及到处理特征的组合。

特征选取的一个额外好处就是,它可以减轻数据收集的负担。想象你已经在一个很小的数据子集上构建了模型。如果一切都很好,你可能打算扩展来预测数据的整个子集。如果是这样,你可以减少数据收集的工作量。

# 准备

在单变量选取中,评分函数又出现了。这次,它们会定义比较度量,我们可以用它来去掉一些特征。

这个秘籍中,我们会训练带有 10000 个特征的回归模型,但是只有 1000 个点。我们会浏览多种单变量特征选取方式。

>>> from sklearn import datasets 
>>> X, y = datasets.make_regression(1000, 10000)

既然我们拥有了数据,我们会使用多种方式来比较特征。当你进行文本分析,或者一些生物信息学分析时,这是个非常常见的情况。

# 操作步骤

首先,我们需要导入 feature_selection 模块。

>>> from sklearn import feature_selection 
>>> f, p = feature_selection.f_regression(X, y)

这里, f 就是和每个线性模型的特征之一相关的 f 分数。我们之后可以比较这些特征,并基于这个比较,我们可以筛选特征。 pf 值对应的 p 值。

在统计学中, p 值是一个值的概率,它比检验统计量的当前值更极端。这里 f 值检验统计量。

>>> f[:5] 
array([  1.06271357e-03, 2.91136869e+00, 1.01886922e+00,
         2.22483130e+00, 4.67624756e-01]) 
>>> p[:5] 
array([ 0.97400066, 0.08826831, 0.31303204, 0.1361235, 0.49424067])

我们可以看到,许多 p 值都太大了。我们更想让 p 值变小。所以我们可以将 NumPy 从工具箱中取出来,并且选取小于 .05p 值。这些就是我们用于分析的特征。

>>> import numpy as np 
>>> idx = np.arange(0, X.shape[1]) 
>>> features_to_keep = idx[p < .05] 
>>> len(features_to_keep)
501

你可以看到,我们实际上保留了相当大的特征总量。取决于模型的上下文,我们可以减少 p 至。这会减少保留的特征数量。

另一个选择是使用 VarianceThreshold 对象。我们已经了解一些了。但是重要的是理解,我们训练模型的能力,基本上是基于特征所产生的变化。如果没有变化,我们的特征就不能描述独立变量的变化。根据文档,良好的特征可以用于非监督案例,因为它并不是结果变量。

我们需要设置起始值来筛选特征。为此,我们选取并提供特征方差的中位值。

>>> var_threshold = feature_selection.VarianceThreshold(np.median(np.
                    var(X, axis=1)))
>>> var_threshold.fit_transform(X).shape
(1000, 4835)

我们可以看到,我们筛选了几乎一半的特征,或多或少就是我们的预期。

# 工作原理

通常,所有这些方式的原理都是使用单个特征来训练基本的模型。取决于它是分类问题还是回归问题,我们可以使用合适的评分函数。

让我们观察一个更小的问题,并可视化特征选取如何筛选特定的特征。我们使用第一个示例的相同评分函数,但是仅仅有 20 个特征。

>>> X, y = datasets.make_regression(10000, 20)
>>> f, p = feature_selection.f_regression(X, y)

现在,让我们绘制特征的 p 值,我们可以看到筛选和保留哪个特征:

>>> from matplotlib import pyplot as plt
>>> f, ax = plt.subplots(figsize=(7, 5))
>>> ax.bar(np.arange(20), p, color='k') 
>>> ax.set_title("Feature p values")

输出如下:

我们可以看到,许多特征没有保留,但是保留了一些特征。

# L1 范数上的特征选取

我们打算实现一些相似的理念,我们在套索回归的秘籍中见过他们。在那个米几种,我们查看了含有 0 系数的特征数量。

现在我们打算更进一步,并使用 L1 范数来预处理特征。

# 准备

我们要使用糖尿病数据集来拟合回归。首先,我们要使用 ShuffleSplit 交叉验证来训练基本的 LinearRegression 模型,之后,我们使用 LassoRegression 来寻找 L1 惩罚为 0 的系数。我们希望它能帮助我们避免过拟合,也就是说这个模型非常特定于所训练的数据。换句话说,如果过拟合的话,模型并不能推广到外围的数据。

我们打算执行下列步骤:

  1. 加载数据集

  2. 训练基本的线性回归模型

  3. 使用特征选取来移除不提供信息的特征

  4. 重新训练线性回归,并与特征完整的模型相比,它拟合得多好。

# 操作步骤

首先加载数据集:

>>> import sklearn.datasets as ds 
>>> diabetes = ds.load_diabetes()

让我们导入度量模块的 mean_squared_error 函数,以及 cross_validation 模块的 ShuffleSplit 交叉验证函数。

>>> from sklearn import metrics 
>>> from sklearn import cross_validation
>>> shuff = cross_validation.ShuffleSplit(diabetes.target.size

现在训练模型,我们会跟踪 ShuffleSplit 每次迭代中的均方误差。

>>> mses = [] 
>>> for train, test in shuff:
        train_X = diabetes.data[train]
        train_y = diabetes.target[train]
        
        test_X = diabetes.data[~train]
        test_y = diabetes.target[~train]
        
        lr.fit(train_X, train_y)   
        mses.append(metrics.mean_squared_error(test_y,               
                    lr.predict(test_X)))
>>> np.mean(mses)
2856.366626198198

所以既然我们做了常规拟合,让我们在筛选系数为 0 的特征之后再检查它。让我们训练套索回归:

>>> from sklearn import feature_selection 
>>> from sklearn import cross_validation
>>> cv = linear_model.LassoCV() 
>>> cv.fit(diabetes.data, diabetes.target) 
>>> cv.coef_
array([ -0. , -226.2375274 ,  526.85738059,  314.44026013,
        -196.92164002, 1.48742026, -151.78054083, 106.52846989,
        530.58541123, 64.50588257])

我们会移除第一个特征。我使用 NumPy 数组来表示模块中包含的列。

>>> import numpy as np 
>>> columns = np.arange(diabetes.data.shape[1])[cv.coef_ != 0] 
>>> columns array([1, 2, 3 4, 5, 6, 7, 8, 9])

好的,所以现在我们使用特定的特征来训练模型(请见下面代码中的列):

>>> l1mses = []
>>> for train, test in shuff:
        train_X = diabetes.data[train][:, columns]
        train_y = diabetes.target[train]
        
        test_X = diabetes.data[~train][:, columns]
        test_y = diabetes.target[~train]
        
        lr.fit(train_X, train_y)           l1mses.append(metrics.mean_squared_error(test_y,            
                      lr.predict(test_X)))
                      
>>> np.mean(l1mses) 
2861.0763924492171 
>>> np.mean(l1mses) - np.mean(mses) 
4.7097662510191185

我们可以看到,即使我们移除了不提供信息的特征,模型依然不怎么样。这种情况不是始终发生。下一部分中,我们会比较模型间的拟合,其中有很多不提供信息的特征。

# 工作原理

首先,我们打算创建回归数据集,带有很多不提供信息的特征:

>>> X, y = ds.make_regression(noise=5)

让我们训练普通的回归:

>>> mses = []
>>> shuff = cross_validation.ShuffleSplit(y.size)
>>> for train, test in shuff:
        train_X = X[train]
        train_y = y[train]
        test_X = X[~train]
        test_y = y[~train]
        lr.fit(train_X, train_y)           mses.append(metrics.mean_squared_error(test_y,              
                    lr.predict(test_X))) 
                    
>>> np.mean(mses)
879.75447864034209

现在我们可以以相同个过程来使用套索回归:

>>> cv.fit(X, y)
LassoCV(alphas=None, copy_X=True, cv=None, eps=0.001,
        fit_intercept=True, max_iter=1000, n_alphas=100,
        n_jobs=1, normalize=False, positive=False, precompute='auto',
        tol=0.0001, verbose=False)

我们会再次创建列。这是个很好的模式,让我们能够制定要包含的列。

>>> import numpy as np 
>>> columns = np.arange(X.shape[1])[cv.coef_ != 0] 
>>> columns[:5] array([11, 15, 17, 20, 21,])
>>> mses = []
>>> shuff = cross_validation.ShuffleSplit(y.size)
>>> for train, test in shuff:
        train_X = X[train][:, columns]
        train_y = y[train]
        
        test_X = X[~train][:, columns]
        test_y = y[~train]
        
        lr.fit(train_X, train_y) 
        mses.append(metrics.mean_squared_error(test_y,              
                    lr.predict(test_X)))    
                    
>>> np.mean(mses)
15.755403220117708

我们可以看到,我们在模型的训练中获得了极大的提升。这刚好解释了,我们需要承认,不是所有特征都需要或者应该放进模型中。

# 使用 joblib 保存模型

这个秘籍中,我们打算展示如何保存模型,便于以后使用。例如,你可能打算实际使用模型来预测结果,并自动做出决策。

# 准备

这个秘籍中,我们会执行下列任务:

  1. 训练我们要保存的模型

  2. 导入 joblib 并保存模型

# 操作步骤

为了使用 joblib 保存我们的模型,可以使用下面的代码:

>>> from sklearn import datasets, tree
>>> X, y = datasets.make_classification()
>>> dt = tree.DecisionTreeClassifier() 
>>> dt.fit(X, y)
DecisionTreeClassifier(compute_importances=None, criterion='gini',
                       max_depth=None, max_features=None,
                       max_leaf_nodes=None, min_density=None,
                       min_samples_leaf=1, min_samples_split=2,
                       random_state=None, splitter='best')
                       
>>> from sklearn.externals import joblib
>>> joblib.dump(dt, "dtree.clf")
['dtree.clf', 
 'dtree.clf_01.npy',
 'dtree.clf_02.npy',
 'dtree.clf_03.npy',
 'dtree.clf_04.npy']

# 工作原理

上面的下面的原理是,保存对象状态,可以重新加载进 Sklearn 对象。要注意,对于不同的模型类型,模型的状态拥有不同的复杂度级别。

出于简单的因素,将我们要保存的东西看做一种方式,我们提供出入来预测结果。对于回归来说很简单,简单的线性代数就足以。但是,对于像是随机森林的模型,我们可能拥有很多颗树。这些树可能拥有不同的复杂度级别,比较困难。

# 更多

我们可以简单随机森林模型的大小:

>>> from sklearn import ensemble
>>> rf = ensemble.RandomForestClassifier() 
>>> rf.fit(X, y)
RandomForestClassifier(bootstrap=True, compute_importances=None,
                        criterion='gini', max_depth=None,
                        max_features='auto', max_leaf_nodes=None,
                        min_density=None, min_samples_leaf=1,
                        min_samples_split=2, n_estimators=10,
                        n_jobs=1, oob_score=False,
                        random_state=None, verbose=0)

我打算省略输出,但是总之,我的机器上一共有 52 个输出文件。

>>> joblib.dump(rf, "rf.clf") 
['rf.clf', 
 'rf.clf_01.npy', 
 'rf.clf_02.npy', 
 'rf.clf_03.npy', 
 'rf.clf_04.npy', 
 'rf.clf_05.npy', 
 'rf.clf_06.npy',
 ...             ]