【机器学习（5）】Scikit

【机器学习（5）】Scikit

1. 数据加载

假如进行房价的预测，这里加载的数据共1000条，共十个维度（十个特征），除了id以外，其余的都是自变量（9个可用）

import pandas as pd
import numpy as np 
import os
import matplotlib.pyplot as plt
os.chdir(r"C:Users86177Desktop")df = pd.read_csv('sample_data_sets.csv')
lumns)
print(df.shape)

–> 输出的结果为：

Index(['id', 'complete_year', 'average_price', 'area', 'daypop', 'nightpop','night20-39', 'sub_kde', 'bus_kde', 'kind_kde'],dtype='object')(1000, 10)

自变量参数讲解：complete_year房子建造年代、average_price平均价格、area房间面积、daypop白天人口密度、nightpop夜间人口密度、night20-3920-39岁夜间人口密度、sub_kde地铁服务水平、bus_kde公交车服务水平、kind_kde幼儿园服务水平

2. 提取自变量和制作因变量标签

1） 通过上述列举的9个自变量参数，可以发现前两个对于其他参数来说重要性程度偏低，可以选择后面7个参数作为自变量

2） 因变量标签这里，采用平均价格的中位数进行标定，如果超过这个中位数，就定位高房价，低于这个中位数，就是低房价

代码实现如下：（为了保护数据的完整性和防止数据被破坏，这里先制作标签，然后再将数据进行复制，最后操作的是数据副本）

price_median = df['average_price'].median()
print(price_median)
df['is_high'] = df['average_price'].map(lambda x: True if x>= price_median else False)
print(df['is_high'].value_counts()) 

–> 输出的结果为：（先取平均价格的中位数，再创建一个因变量标签）

30519.0
True     500
False    500
Name: is_high, dtype: int64

数据复制并提取自变量和因变量（注意，线性回归使用的都是y_train数值型标签，后面的逻辑回归使用的是y_label类别型标签）

# 提取自变量：数值型
x_train = df.copy()[['area', 'daypop', 'nightpop', 'night20-39', 'sub_kde', 'bus_kde', 'kind_kde']]
# 提取因变量：数值型
y_train = df.copy()['average_price']
# 提取因变量：类别型
y_label = df.copy()['is_high']

3. 创建Pipeline对象和构建线性模型

为了熟悉并掌握创建模型的工作流(数据预处理，标准化，纠偏等过程)，这里将整个流程封装在Pipeline的对象中，该对象中需要引入一个list列表，也就是所有步骤的汇总所在地，基本步骤包含两个要素： 步骤的命名 和 模型对象（里面是有参数的）

3.1 加载模块、构造模型并拟合

这里传入的参数是fit_intercept=True，要求模型去拟合截距值，也就是b值，如果是False，返回的结果也就没有b值，（因为只有一个线性模型，Pipeline里面就只有一个数据）

# 加载pipeline
from sklearn.pipeline import Pipeline
# 加载线性回归模型
from sklearn.linear_model import LinearRegression
# 构建线性回归模型
pipe_lm = Pipeline([('lm_regr',LinearRegression(fit_intercept=True))])
# 训练线性回归模型
pipe_lm.fit(x_train, y_train)
# 使用线性回归模型进行预测
y_train_predict = pipe_lm.predict(x_train)

3.2 查看线性模型特征参数和截距值

.coef_ / .intercept_ 分别代表特征参数（coefficient）和截距值（intercept）

# 查看线性回归模型特征参数
print(pipe_lm.named_steps['lm_regr'].coef_)
# 查看线性回归模型截距值
print(pipe_lm.named_steps['lm_regr'].intercept_)

–> 输出的结果为：（输出的是7个参数一个b值）

[ 9.68026492e+00  3.45789754e+00 -1.68662269e+01  4.34410864e+015.92819921e+04  3.41972844e+03  9.69441685e+03]24662.078913322737

3.3 提取模型特征参数及对应的名称

提取完相应的数据之后，将其创建为DataFrame数据

# 提取模型特征参数
coef = pipe_lm.named_steps['lm_regr'].coef_
# 提取对应的特征名称
features = list()
# 构建参数df
coef_table = pd.DataFrame({'feature': features, 'coefficient': coef})
print(coef_table)

–> 输出的结果为：（这里的特征名称，其实就是当初索引的几个列标题）

     feature   coefficient
0        area      9.971842
1      daypop      3.720621
2    nightpop    -17.122363
3  night20-39     43.528716
4     sub_kde  59019.531359
5     bus_kde   3309.771544
6    kind_kde   9410.012382

3.4 绘制参数柱状图

matplotlib库前面已经导入过了，这里可以直接使用，这一步主要是看一下7个参数的影响水平如何

# 绘制参数特征值柱状图
coef_table.set_index(['feature']).plot.barh()
# 设置x等于0的参考线
plt.axvline(0, color='k')
# 显示图表
plt.show()

–> 输出的结果为：

由上图可知，最后三个（在最上面的数据是排在最后的）服务水平的特征值远远大于前四个参数的，要查看前四个的相关数据，可以单独绘制图像，如下

# 绘制参数特征值柱状图
coef_table.set_index(['feature']).iloc[0:4].plot.barh()
# 设置x等于0的参考线
plt.axvline(0, color='k')
# 显示图表
plt.show()

–> 输出的结果为：

4 构建Lasso回归模型

前面讲了有关Pipeline对象的知识，直接就可以直接加载框架了，构建Lasso回归模型

4.1 加载模块、构造模型并拟合

这一步几乎和上面创建线性模型类似，不同的就是在于Pipeline对象列表中的内容发生了变化，参数添加了一个alpha，其大小就是控制L1正则系数的影响力，其值越大，L1正则系数对模型的约束也就越大（回顾上一篇的讲解）

# 加载lasso回归模型
from sklearn.linear_model import Lasso
# 构建线性回归模型
pipe_lasso = Pipeline([('lasso_regr',Lasso(alpha=500, fit_intercept=True))])
# 训练线性回归模型
pipe_lasso.fit(x_train, y_train)
# 使用线性回归模型进行预测
y_train_predict = pipe_lasso.predict(x_train)

4.2 查看线性模型特征参数和截距值

# 查看线性回归模型特征参数
print(pipe_lasso.named_steps['lasso_regr'].coef_)
# 查看线性回归模型截距值
print(pipe_lasso.named_steps['lasso_regr'].intercept_)

–> 输出的结果为：（可以看出其中的几个参数已经为0了，）

[ 27.03261599   6.97427277 -14.89931364  33.19206407   0.0.           0.        ]
26065.635086213653

上述的结果也就对应了上篇文章中提到的有关L1正则系数相关的知识点，如下

4.3 提取模型特征参数及对应的名称

coef = pipe_lasso.named_steps['lasso_regr'].coef_
# 提取对应的特征名称
features = list()
# 构建参数df
coef_table = pd.DataFrame({'feature': features, 'coefficient': coef})
print(coef_table)

–> 输出的结果为：（被筛除的特征特征参数为0）

      feature  coefficient
0        area    27.032616
1      daypop     6.974273
2    nightpop   -14.899314
3  night20-39    33.192064
4     sub_kde     0.000000
5     bus_kde     0.000000
6    kind_kde     0.000000

4.4 绘制参数柱状图

coef_table.set_index(['feature']).plot.barh()
# 设置x等于0的参考线
plt.axvline(0, color='k')
# 显示图表
plt.show()

–> 输出的结果为：

5 构建Ridge回归模型

废话不多说，直接开搞

5.1 加载模块、构造模型并拟合

与上面不同的是，这里又加了一个参数solver，也就是模型求解器，采用的方式为'lsqr'（最小二乘正交分解法）

from sklearn.linear_model import Ridge
# 构建ridge回归模型
pipe_ridge = Pipeline([('ridge_regr',Ridge(alpha=500, fit_intercept=True, solver = 'lsqr'))])
# 训练ridge回归模型
pipe_ridge.fit(x_train, y_train)
# 使用ridge回归模型进行预测
y_train_predict = pipe_ridge.predict(x_train)

5.2 查看线性模型特征参数和截距值

# 查看ridge回归模型特征参数
print(pipe_ridge.named_steps['ridge_regr'].coef_)
# 查看ridge回归模型截距值
print(pipe_ridge.named_steps['ridge_regr'].intercept_)

–> 输出的结果为：（与Lasso的区别可以发现，特征参数被约束接近于0，但不为0，b值差不多）

[ 27.12349221   7.01529213 -15.17165526  33.87360557   0.273439210.16398909   0.67896087]26056.944107140367

5.3 提取模型特征参数及对应的名称

# 提取模型特征参数
coef = pipe_ridge.named_steps['ridge_regr'].coef_
# 提取对应的特征名称
features = list()
# 构建参数df
coef_table = pd.DataFrame({'feature': features, 'coefficient': coef})
print(coef_table)

–> 输出的结果为：

      feature  coefficient
0        area    27.123492
1      daypop     7.015292
2    nightpop   -15.171655
3  night20-39    33.873606
4     sub_kde     0.273439
5     bus_kde     0.163989
6    kind_kde     0.678961

5.4 绘制参数柱状图

coef_table.set_index(['feature']).plot.barh()
# 设置x等于0的参考线
plt.axvline(0, color='k')
# 显示图表
plt.show()

–> 输出的结果为：

6. 构建logisti回归模型

6.1 加载模块、构造模型并拟合

还是一样加载Pipeline对象，将模型封装在里面，不同的是增加了参数penalty='l1'，就是之前提到的L1正则系数，这次的求解器选择了'liblinear'，也就是坐标下降法；（少数据量中选择坐标下降法， 大数据量下选择‘sag’或者'saga'）

由于这里是分类的问题，最后训练的标签应该是类别型（y_label）,而不再是之前的数值型（y_train）

# 加载logsti回归模型
from sklearn.linear_model import LogisticRegression
# 构建线性回归模型
pipe_logistic = Pipeline([('logistic_clf',LogisticRegression(penalty='l1', fit_intercept=True, solver='liblinear'))])
# 训练线性回归模型
pipe_logistic.fit(x_train, y_label)
# 使用线性回归模型进行预测
y_train_predict = pipe_logistic.predict(x_train)

逻辑回归模型参数解释 v0.21.3(2020/3/1) penalty（默认使用l2正则系数）

‘l1’: l1正则系数
‘l2’: l2正则系数
‘elasticnet’正则系数：只支持solver为’saga’
‘none’:无正则系数
solver（默认是’liblinear’:坐标下降法） ‘liblinear’：坐标下降法，可以处理了l1和l2正则系数，适用于小数据量（一般指10w个样本以下） ‘sag’：sag是随机平均梯度下降法，只能处理l2正则系数，适用于大数据量 ‘saga’: saga是sag的变体，能处理l1和l2正则系数，适用于大数据量

具体的一些讲解可以查询官网

6.2 查看线性模型特征参数和截距值

# 查看逻辑回归模型特征参数
print(pipe_logistic.named_steps['logistic_clf'].coef_)
# 查看逻辑回归模型截距值
print(pipe_logistic.named_steps['logistic_clf'].intercept_)

–> 输出的结果为：

[[-2.54246544e-03  8.50783993e-04 -4.65784667e-03  1.16522529e-029.62287062e+00  1.89063148e-01  1.41218313e+00]][-0.22713829]

5.3 提取模型特征参数及对应的名称

# 提取模型特征参数
coef = pipe_logistic.named_steps['logistic_clf'].coef_[0]
# 提取对应的特征名称
features = list()
# 构建参数df
coef_table = pd.DataFrame({'feature': features, 'coefficient': coef})
print(coef_table)

–> 输出的结果为：（注意这里的coef变量，之前生成的列表都是一维的，这里是一维的，所以要索引第一个元素）

      feature  coefficient
0        area    -0.002542
1      daypop     0.000851
2    nightpop    -0.004658
3  night20-39     0.011652
4     sub_kde     9.622871
5     bus_kde     0.189063
6    kind_kde     1.412183

5.4 绘制参数柱状图

coef_table.set_index(['feature']).plot.barh()
# 设置x等于0的参考线
plt.axvline(0, color='k')
# 显示图表
plt.show()

–> 输出的结果为：