本文是kaggle案例分享的第3篇,赛题的名称是:Mushroom Classification,Safe to eat or deadly poison?
数据来自UCI:https://archive.ics.uci.edu/ml/datasets/mushroom
kaggle源码地址:https://www.kaggle.com/nirajvermafcb/comparing-various-ml-models-roc-curve-comparison
排名
下面是kaggle上针对本题的排名。第一名侧重点是特征选择,没有用到本题的数据,我个人感觉跑偏了;第二名侧重点是基于贝叶斯理论的分类,能力有限,贝叶斯这块学习好了专门再说。
所以,选择了第三名的notebook源码来学习。作者将6种监督学习的方法在本数据集上的建模、模型评估等过程进行了比较。
数据集
这份数据集是UCI捐献给kaggle的。总样本数为8124,其中6513个样本做训练,1611个样本做测试;并且,其中可食用有4208样本,占51.8%;有毒的样本为3916,占48.2%。每个样本描述了蘑菇的22个属性,比如形状、气味等。
误食野生蘑菇中毒事件时有发生,且蘑菇形态千差万别,对于非专业人士,无法从外观、形态、颜色等方面区分有毒蘑菇与可食用蘑菇,没有一个简单的标准能够将有毒蘑菇和可食用蘑菇区分开来。要了解蘑菇是否可食用,必须采集具有不同特征属性的蘑菇是否有毒进行分析。
对蘑菇的22种特征属性进行分析,从而得到蘑菇可使用性模型,更好的预测出蘑菇是否可食用。
下面是UCI显示的具体数据信息:
属性特征的解释:
数据EDA
导入数据
1 | import pandas as pd |
原始数据有8124条记录,23个属性;并且不存在缺失值
有无毒对比
统计有毒和无毒的数量对比:
可视化分析
菌盖颜色
首先我们讨论下菌盖的颜色:每种菌盖颜色的次数
1 | fig = px.bar(cap,x="color", |
到底有毒的蘑菇是哪几种颜色较多了?统计有毒和无毒下的颜色分布:
1 | fig = px.bar(cap_class,x="color", |
小结:颜色n、g、e在有毒p情况是比较多的。
菌的气味
统计每种气味的数量:
1 | fig = px.bar(odor, |
上面是针对整体数据的情况,下面分有毒和无毒来继续讨论:
1 | fig = px.bar(odor_class, |
小结:从上面的两张图中,我们看出来:f这种气味是最容易造成有毒
特征相关性
将特征之间的相关性系数绘制成热力图,查看分布情况:
1 | corr = data.corr() |
特征工程
特征转换
原数据中的特征都是文本类型,我们将其转成数值型,方便后续分析:
1、转换前
2、实施转换
1 | from sklearn.preprocessing import LabelEncoder # 类型编码 |
3、查看部分属性的转换结果
数据分布
查看数据转换编码后的数据分布情况:
1 | ax = sns.boxplot(x='class', |
分离特征和标签
1 | X = data.iloc[:,1:23] # 特征 |
数据标准化
1 | # 归一化(Normalization)、标准化(Standardization) |
主成分分析PCA
PCA过程
原始数据中22个属性可能并不是特征都是有效数据,或者说某些属性本身就存在一定的关系,造成了特征属性的重叠。我们采用主成分分析,先找出关键的特征:
1 | # 1、实施pca |
通过绘图来展示每个主成分的得分关系:
1 | with plt.style.context("dark_background"): # 背景 |
结论:从上面的图形中看出来最后的4个主成分方差之和很小;前面的17个占据了90%以上的方差,可作为主成分。
We can see that the last 4 components has less amount of variance of the data.The 1st 17 components retains more than 90% of the data.
2个主成分下的数据分布
然后我们利用基于2个属性的数据来实施K-means聚类:
1、2个主成分下的原始数据分布
1 | N = data.values |
2、实施聚类建模后的分布:
1 | from sklearn.cluster import KMeans |
基于17主成分下的建模
这个地方自己也没有看懂:总共是22个属性,上面选取了4个特征,为什么这里是基于17个主成分的分析??
先做了基于17个主成分的转换:
数据集的划分:训练集和测试集占比为8-2
1 | from sklearn.model_selection import train_test_split |
下面开始是6种监督学习方法的具体过程:
模型1:逻辑回归
1 | from sklearn.linear_model import LogisticRegression # 逻辑回归(分类) |
查看具体的预测效果:
1 | model_LR.score(X_test,y_pred) |
逻辑回归下的混淆矩阵:
1 | confusion_matrix = metrics.confusion_matrix(y_test, y_pred) |
具体的auc值:
1 | auc_roc = metrics.roc_auc_score(y_test, y_pred) # 测试纸和预测值 |
真假阳性
1 | from sklearn.metrics import roc_curve, auc |
ROC曲线
1 | import matplotlib.pyplot as plt |
下面是对逻辑回归模型进行校正。这里的校正主要就是采取网格搜索的方法来选取最佳的参数,然后进行下一步的建模。网格搜索的过程:
1 | from sklearn.linear_model import LogisticRegression |
查看优化后的预测情况:
混淆矩阵和AUC情况:
ROC曲线情况:
1 | from sklearn.metrics import roc_curve, auc |
模型2:高斯朴素贝叶斯
建模
1 | from sklearn.naive_bayes import GaussianNB |
预测值和真实值不等的数量:111个
交叉验证
1 | scores = cross_val_score(model_naive, |
混淆矩阵和AUC
真假阳性
1 | # 导入评价模块 |
ROC曲线
AUC的值才0.96
1 | # 绘图 |
模型3:支持向量机SVM
默认参数下的支持向量机过程
建模过程
1 | from sklearn.svm import SVC |
随机网格搜索-RandomizedSearchCV
1 | from sklearn.model_selection import RandomizedSearchCV |
1 | RandomizedSearchCV(cv=10, |
1 | # 最佳得分效果 |
得分最佳匹配参数:
1 | # 预测 |
混淆矩阵
查看具体的混淆矩阵和预测情况:
ROC曲线
1 | from sklearn.metrics import roc_curve, auc |
模型5:随机森林
建模拟合
1 | from sklearn.ensemble import RandomForestClassifier |
预测得分
混淆矩阵
ROC曲线
1 | from sklearn.metrics import roc_curve, auc |
模型6:决策树(CART)
建模
1 | from sklearn.tree import DecisionTreeClassifier |
混淆矩阵
各种评价指标的体现:
ROC曲线
1 | from sklearn.metrics import roc_curve, auc |
模型6:神经网络ANN
建模
混淆矩阵
ROC曲线
1 | # 真假阳性 |
下面对神经网络的参数进行调优:
- hidden_layer_sizes:隐藏层个数
- activation:激活函数
- alpha:学习率
- max_iter:最大迭代次数
网格搜索
1 | from sklearn.neural_network import MLPClassifier |
模型属性
调优之后的模型属性情况以及合适的参数:
ROC曲线
1 | from sklearn.metrics import roc_curve, auc |
混淆矩阵和ROC
这是一篇很好的文章来解释混淆矩阵和ROC:https://www.cnblogs.com/wuliytTaotao/p/9285227.html
1、什么是混淆矩阵?
2、4大指标
TP、FP、TN、FN,第二个字母表示样本被预测的类别,第一个字母表示样本的预测类别与真实类别是否一致。
3、准确率
4、精准率和召回率
5、F_1和F_B
6、ROC曲线
AUC全称为Area Under Curve,表示一条曲线下面的面积,ROC曲线的AUC值可以用来对模型进行评价。ROC曲线如图 1 所示:
总结
看完这篇notebook源码,你需要掌握的知识点:
- 机器学习建模整体思路:选择模型、建模、网格搜索调参、模型评估、ROC曲线(分类)
- 特征工程的技术:编码转换、数据标准化、数据集划分
- 评价指标:混淆矩阵、ROC曲线作为重点,后续有文章专门讲解
预告:后面Peter自己会专门写一篇来对这份数据进行建模分析,纯原创的思路,期待下~