数据挖掘 workfolw 总结
个人将数据挖掘的流程简单表示为“
数据 →
特征 →
模型 ”。
?
?
思考下来整个数据建模的过程,重点不在于建模,而在于前者,即如何理解数据,处理数据,针对模型的需求和特点做数据工程、特征工程,将数据以更好的方式特征化。在实际的数据挖掘过程中,前者占据差不多70%的工作量。
以 Titanic 为例,以下是数据挖掘 workflow 总结。 明确任务目标:预测泰坦尼克号的乘客是否生还。它是个二分类任务,生还为1,否则为0。 前期准备:导入相应的库
pandas?→ 载入数据
matplotlib、
seaborn?→ 可视化
sklearn?→ 机器学习
?
# data analysis and wrangling import pandas as pd import numpy as np import random as rnd ?step 1. 读取数据使用Pandas DataFrame读取数据。 # 使用Pandas DataFrame读取数据 train_df = pd.read_csv(‘./xxx/train.csv‘) test_df = pd.read_csv(‘./xxx/test.csv‘) combine = [train_df,test_df] ? step 2.1 描述性统计分析
# column 列名 index 行名 查看总共有哪些特征 # preview the data ? 下图介绍了不同的数据类型。数据可以按 Nominal(名义)、Ordinal(顺序)、Interval(区间) 以及 Ratio(比率) 分;也可以按 Discrete (离散)、Continuous (连续)分;还能按照 Int (整数)、Float (浮点数)或者 String (字符串)、Object (对象)区分。 数据观察和假设Correlating 我们想知道哪些特征与?Survival?相关。 Completing
Correcting
Creating
Classifing
? step 2.2 旋转特征分析特征,即变量。在建模之前,我们要寻找与预测结果显著相关的特征【特征选择】,判断哪些特征与预测结果具备显著相关性(正相关或者负相关)。 为了证实我们的假设,我们可以通过旋转特征来分析特征的相关性。在这一阶段,我们只能分析不存在缺失值的特征。比如?categorical(Sex)、ordinal(Pclass)以及discrete(SibSp,Parch)类型的特征。
# 分别计算一等座、二等座、三等座的存活率,并按存活率从高到低进行排序 train_df[[‘Pclass‘,‘Survived‘]].groupby([‘Pclass‘],as_index=False).mean().sort_values(by=‘Survived‘,ascending=False) # 得出结果 存活率:一等座>二等座>三等座 # 分别计算男性和女性的存活率,并按存活率从高到低排序 train_df[[‘Sex‘,‘Survived‘]].groupby([‘Sex‘],ascending=False) # 得出结论 存活率:女性>男性 # 分别计算不同的配偶和兄弟姐妹数量的存活率,并按存活率从高到低排序 train_df[[‘SibSp‘,‘Survived‘]].groupby([‘SibSp‘],ascending=False) # 分别计算不同的父母和子女数量的存活率,并按存活率从高到低排序 train_df[[‘Parch‘,‘Survived‘]].groupby([‘Parch‘],ascending=False) # 没有规律可循,后面创建新特征查看 ? step 2.3 可视化分析以 Age 变量为例。直方图对于分析连续的数值变量(比如?Age?)很有用,能够通过形状以及范围来识别样本特征。直方图还可以指定样本分布的区间,有助于我们分析特定问题(婴儿的生还率是否更高?)。 X轴:Age Y轴:Survived Observations
Decisions这一阶段的分析帮助我们证实假设并为后面的工作作出决定。
? step 3 特征工程
在特征选择后,根据做出的decisions,我们要进行
特征工程,下图为特征工程的工作内容。
?
Correcting by dropping features(删除特征)这是一个很好的开头。通过删除特征,我们可以处理更少的数据点,提高运行速度,简化分析。 根据我们的 assumptions 和 decisions ,我们将删除Cabin(correcting #2)和Ticket(Correcting #1)特征。 注意,在合适的情况下,我们同时对训练集和测试集执行操作,以保持一致。 print("Before",train_df.shape,test_df.shape,combine[0].shape,combine[1].shape) ? Creating new feature extracting from existing (从现有特征里提取新特征)在删除 Name 和 Passengerid 特征之前,我们尝试从 Name 提取?Title 特征?(头衔/称谓),并测试 Title 和 survival 之间的相关性。 在下面的代码中,我们使用正则表达式提取 Title 特征。RegEx pattern? # 使用正则表达式提取 Title 特征。RegEx pattern (w+) 匹配 Name 特征中以点字符结尾的第一个单词。expand=false 标志返回 Dataframe。 for dataset in combine: dataset[‘Title‘] = dataset.Name.str.extract(‘([A-Za-z]+).‘,expand=False) pd.crosstab(train_df[‘Title‘],train_df[‘Sex‘]) # 用更加常见的名称来替换大量 titles ,或者将它们归类为 Rare(稀有的)。 for dataset in combine: dataset[‘Title‘] = dataset[‘Title‘].replace([‘Lady‘,‘Countess‘,‘Capt‘,‘Col‘,‘Don‘,‘Dr‘,‘Major‘,‘Rev‘,‘Sir‘,‘Jonkheer‘,‘Dona‘],‘Rare‘) dataset[‘Title‘] = dataset[‘Title‘].replace(‘Mlle‘,‘Miss‘) dataset[‘Title‘] = dataset[‘Title‘].replace(‘Ms‘,‘Miss‘) dataset[‘Title‘] = dataset[‘Title‘].replace(‘Mme‘,‘Mrs‘) train_df[[‘Title‘,‘Survived‘]].groupby([‘Title‘],as_index=False).mean() # 将分类变量(categorical)转换为顺序变量(ordinal)。 title_mapping = {"Mr": 1,"Miss": 2,"Mrs": 3,"Master": 4,"Rare": 5} for dataset in combine: dataset[‘Title‘] = dataset[‘Title‘].map(title_mapping) dataset[‘Title‘] = dataset[‘Title‘].fillna(0) train_df.head() ? Completing a categorical feature(填充分类特征)Embarked 特征涵盖 S、Q、C 值。我们的训练集缺少两个值。我们简单地用众数来进行填充。 # 众数填充 freq_port = train_df.Embarked.dropna().mode()[0] for dataset in combine: dataset[‘Embarked‘] = dataset[‘Embarked‘].fillna(freq_port) # 旋转特征分析 train_df[[‘Embarked‘,‘Survived‘]].groupby([‘Embarked‘],ascending=False) ? Create new feature combining existing features(从现有特征创建新特征)结合 Parch 和 Sibsp,为 FamilySize 创建一个新特征。这使我们能够从数据集中删除 Parch 和 Sibsp 。 for dataset in combine: dataset[‘FamilySize‘]=dataset[‘SibSp‘] + dataset[‘Parch‘]+1 train_df[[‘FamilySize‘,‘Survived‘]].groupby([‘FamilySize‘],ascending=False) # 创建一个名为 IsAlone 的新特征 for dataset in combine: dataset[‘IsAlone‘] = 0 dataset.loc[dataset[‘FamilySize‘]==1,‘IsAlone‘]=1 train_df[[‘IsAlone‘,‘Survived‘]].groupby([‘IsAlone‘],as_index=False).mean() ?converting a categorical feature (分类特征离散化)现在,将包含字符串的特征转换为数值。这是大多数模型算法所要求的,同时也将帮助我们实现特征 completing 的目标。 首先,将 sex 特征转换为一个名为 gender 的新特征,其中 female=1,male=0。 for dataset in combine: dataset[‘Sex‘] = dataset[‘Sex‘].map({‘female‘:1,‘male‘:0}).astype(int) train_df.head() ?Quick completing and converting a numeric feature(快速填充和离散化数值特征)使用 mode 获取 Fare 特征最常出现的值并填充测试集中存在单个缺失值的 Fare 特征。 test_df[‘Fare‘].fillna(test_df[‘Fare‘].dropna().median(),inplace=True) test_df.head() # 创建新特征 FareBand train_df[‘FareBand‘] = pd.qcut(train_df[‘Fare‘],4) train_df[[‘FareBand‘,‘Survived‘]].groupby([‘FareBand‘],ascending=True) # 基于 FareBand 将 Fare 特征转换为 顺序级 for dataset in combine: dataset.loc[ dataset[‘Fare‘] <= 7.91,‘Fare‘] = 0 dataset.loc[(dataset[‘Fare‘] > 7.91) & (dataset[‘Fare‘] <= 14.454),‘Fare‘] = 1 dataset.loc[(dataset[‘Fare‘] > 14.454) & (dataset[‘Fare‘] <= 31),‘Fare‘] = 2 dataset.loc[ dataset[‘Fare‘] > 31,‘Fare‘] = 3 dataset[‘Fare‘] = dataset[‘Fare‘].astype(int) train_df = train_df.drop([‘FareBand‘],axis=1) combine = [train_df,test_df] train_df.head(10) ?step 4. 模型选择、建模和评估?现在,训练模型并预测解决方案。有60多种预测建模算法可供选择。我们必须了解问题的类型和解决方案的要求,以便将建模算法的选择范围缩小。我们的问题是一个分类和回归问题,确定输出(存活与否)与其他变量或特征(性别、年龄、港口…)之间的关系。当我们使用给定的数据集训练模型时,我们也在执行一类称为监督学习的机器学习。有了这两个准则——监督学习加上分类和回归,我们可以将模型的选择范围缩小到少数。其中包括:
Random Forrest随机森林模型是最流行的模型之一。随机森林或随机决策森林是一种用于分类、回归和其他任务的集成学习方法。它在训练时构造多个决策树(n_estimators=100),并通过输出类别(分类)或预测个别树均值(回归)来输出分类结果。-参考维基百科。 到目前为止,随机森林模型的置信度得分是所有模型中最高的。我们决定使用此模型的输出(y_pred)来提交预测结果。 # Random Forrest random_forest = RandomForestClassifier(n_estimators=100) random_forest.fit(X_train,Y_train) Y_pred = random_forest.predict(X_test) acc_random_forest = round(random_forest.score(X_train,Y_train)*100,2) acc_random_forest 保存预测结果。 submission = pd.DataFrame({ "PassengerId": test_df["PassengerId"],"Survived": Y_pred }) submission.to_csv(‘submission.csv‘,index=False) (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |