课程地址：《菜菜的机器学习sklearn课堂》_哔哩哔哩_bilibili

第一期：sklearn入门 & 决策树在sklearn中的实现
第二期：随机森林在sklearn中的实现
第三期：sklearn中的数据预处理和特征工程
第四期：sklearn中的降维算法PCA和SVD
第五期：sklearn中的逻辑回归
第六期：sklearn中的聚类算法K-Means
第七期：sklearn中的支持向量机SVM（上）
第八期：sklearn中的支持向量机SVM（下）
第九期：sklearn中的线性回归大家族
第十期：sklearn中的朴素贝叶斯
第十一期：sklearn与XGBoost
第十二期：sklearn中的神经网络

问题描述

数据集

代码

（一）导入数据集，探索数据

（二）对数据集进行预处理

（三）提取标签和特征矩阵，分测试集和训练集

（四）导入模型

（五）在不同max_depth下观察模型的拟合状况

（六）用网格搜索调整参数

测试并提交Kaggle

问题描述

Titanic - Machine Learning from Disaster | Kaggle

通过分类树模型来预测一下哪些人可能成为幸存者（二分类问题，Survived为1即为幸存者，为0则不是幸存者）

数据集

数据集包含两个csv格式文件，data为我们要使用的数据（既有特征又有标签，可以来训练和测试），test为kaggle提供的测试集（无标签）

代码

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt

（一）导入数据集，探索数据

data = pd.read_csv(r"D:\Jupyter Notebook\菜菜sklearn\1 决策树\Taitanic\data.csv")  # 891行，12列（11列特征，1列标签）
data.head()   # 显示前n行，不写n的话默认为5

data.info()   # 观察特征的类型、是否有缺失值

Cabin列缺失过多，Name列、Ticket列、PassengerId列和预测的y没有关系，删
Age列有小部分缺失，采用平均值填充
Embarked列有2行缺失，删

（二）对数据集进行预处理

#删除缺失值过多的列，和观察判断来说和预测的y没有关系的列
data.drop(["Cabin","Name","Ticket","PassengerId"],inplace=True,axis=1)   # inplace=True意味着用删除列后的表覆盖原表，默认为False。axis=1意味着对列进行操作
# 或写成：data = data.drop(["Cabin","Name","Ticket"],inplace=False,axis=1)#处理缺失值，对缺失值较多的列进行填补，有一些特征只确实一两个值，可以采取直接删除记录的方法
data["Age"] = data["Age"].fillna(data["Age"].mean())  # .fillna(0)表示用0填补
data = data.dropna()   # 删掉所有有缺失值的行（默认axis=0）

#将分类变量转换为数值型变量#将二分类变量转换为数值型变量
#astype能够将一个pandas对象转换为某种类型，和apply(int(x))不同，astype可以将文本类转换为数字，用这个方式可以很便捷地将二分类特征转换为0~1
data["Sex"] = (data["Sex"]== "male").astype("int")   # 返回True为1，False为0#将三分类变量转换为数值型变量
labels = data["Embarked"].unique().tolist()   # .unique()删掉重复值，查看特征里有多少唯一值
data["Embarked"] = data["Embarked"].apply(lambda x: labels.index(x))   # 匿名函数，S—>0，C—>1，Q—>2

（三）提取标签和特征矩阵，分测试集和训练集

X = data.iloc[:,data.columns != "Survived"]
y = data.iloc[:,data.columns == "Survived"]# data.loc[:,'sex']  所有行，sex列
# data.iloc[:,3]  所有行，sex列（索引为3）
# 布尔索引用loc和iloc都行from sklearn.model_selection import train_test_split
Xtrain, Xtest, Ytrain, Ytest = train_test_split(X,y,test_size=0.3)

#修正测试集和训练集的索引
for i in [Xtrain, Xtest, Ytrain, Ytest]:i.index = range(i.shape[0])  # range(622)，即0-621

（四）导入模型

clf = DecisionTreeClassifier(random_state=25)
clf = clf.fit(Xtrain, Ytrain)score_ = clf.score(Xtest, Ytest)
score_   # 0.8127340823970037score = cross_val_score(clf,X,y,cv=10).mean()
score  # 0.7739274770173645

（五）在不同max_depth下观察模型的拟合状况

tr = []
te = []
for i in range(10):clf = DecisionTreeClassifier(random_state=25,max_depth=i+1# ,criterion="entropy"  # 当模型欠拟合时用)clf = clf.fit(Xtrain, Ytrain)score_tr = clf.score(Xtrain,Ytrain)score_te = cross_val_score(clf,X,y,cv=10).mean()tr.append(score_tr)te.append(score_te)
print(max(te))# 若train曲线在test上，说明模型过拟合，需要剪枝
# 若test曲线在train上，说明模型欠拟合
plt.plot(range(1,11),tr,color="red",label="train")
plt.plot(range(1,11),te,color="blue",label="test")
plt.xticks(range(1,11))  # 显示横坐标的标尺（1-10的整数）
plt.legend()
plt.show()

clf模型里一开始criterion参数默认为gini时，结果如下：

改为entropy时，结果如下：

（六）用网格搜索调整参数

网格搜索是能够帮助我们同时调整多个参数的技术，本质为枚举 —— 给网格搜索提供一个字典，字典中是一组一组的参数，对应参数的取值范围；调整参数在这些取值范围里的取值，最终返回能让模型达到最好的取值范围的组合。

缺点：多个参数交叉进行，计算量大，耗时，且无法舍弃你设定的参数

import numpy as np# gini系数取值范围为0-0.5，entropy取值范围为0-1
gini_thresholds = np.linspace(0,0.5,20)  # 在0-0.5之间取20个有顺序的随机数，但不一定等间距
# np.arange(0,0.5,0.01) 等间距parameters = {'splitter':('best','random'),'criterion':("gini","entropy"),"max_depth":[*range(1,10)]   # *表示解压缩,'min_samples_leaf':[*range(1,50,5)],'min_impurity_decrease':[*np.linspace(0,0.5,20)]   # 信息增益的最小值。当信息增益＜规定的最小值时，该节点将不再进行分枝}   # 一串参数和这些参数对应的、我们希望网格搜索来搜索的参数的取值范围。是一个字典clf = DecisionTreeClassifier(random_state=25)
GS = GridSearchCV(clf, parameters, cv=10)  # 同时满足fit、score和交叉验证三种功能
GS.fit(Xtrain,Ytrain)

GS.best_params_  # 从我们输入的参数和参数取值的列表中返回最佳组合

GS.best_score_    # 网格搜索后模型的评判标准

测试并提交Kaggle

test = pd.read_csv(r"D:\Jupyter Notebook\菜菜sklearn\1 决策树\Taitanic\test.csv")test.info()test.drop(["Cabin","Name","Ticket","PassengerId"],inplace=True,axis=1)
test["Age"] = test["Age"].fillna(data["Age"].mean())
test = test.dropna()   # 删掉了Fare缺失的那一行#将二分类变量转换为数值型变量
test["Sex"] = (test["Sex"]== "male").astype("int")   #将三分类变量转换为数值型变量
labels = test["Embarked"].unique().tolist()
test["Embarked"] = test["Embarked"].apply(lambda x: labels.index(x))  result = GS.predict(test)   # nd.array()
df = pd.DataFrame(result)
df.to_csv("result.csv")

Score有点低

【1 - 决策树 - 案例部分：泰坦尼克号幸存者预测】菜菜sklearn机器学习相关推荐

决策树入门案例：泰坦尼克号幸存者预测
决策树 1 概述 1.1 决策树是如何工作的 1.2 分类树 DecisionTreeClassifier 1.3 回归树 DecisionTreeRegressor 1.4 案例练习 1. 用回归树 ...
特征工程实践:泰坦尼克号幸存者预测
文章目录泰坦尼克号幸存者预测泰坦尼克号幸存者预测数据集下载地址:https://www.kaggle.com/c/titanic/data . 本案例主要展示特征工程对数据集的处理方法,模型只选 ...
机器学习-泰坦尼克号幸存者预测
机器学习-泰坦尼克号幸存者预测泰坦尼克灾难数据描述 PassengerId:乘客的ID号,这个是顺序编号,用来唯一标识一名乘客.这个特征和幸存与否无关,我们不使用这个特征. Survived:1表示 ...
#泰坦尼克号幸存者预测
泰坦尼克号幸存者预测泰坦尼克号训练数据见百度网盘: 链接:https://pan.baidu.com/s/1yHvYb2usyW24LqacHk9-Dw 提取码:p1do import pandas ...
1.决策树实例：泰坦尼克号幸存者的预测
决策树文章目录决策树 1.概述 1.1决策树是如何工作的 2 DecisionTreeClassififier与红酒数据集 2.1重要参数 2.1.1 criterion 2.1.2 random ...
决策树原理和案例应用-泰坦尼克号生存预测
决策树学习目标目标说明信息熵的公式以及作用说明信息增益的公式作用应用信息增益实现计算特征的不确定性减少程度了解决策树的三种算法实现应用泰坦尼克号乘客生存预测 1.认识决策树决策树思想 ...
【2 - 随机森林 - 案例部分：随机森林在乳腺癌数据上的调参】菜菜sklearn机器学习
课程地址:<菜菜的机器学习sklearn课堂>_哔哩哔哩_bilibili 第一期:sklearn入门 & 决策树在sklearn中的实现第二期:随机森林在sklearn中的实现 ...
【1 - 决策树 - 原理部分】菜菜sklearn机器学习
课程地址:<菜菜的机器学习sklearn课堂>_哔哩哔哩_bilibili 第一期:sklearn入门 & 决策树在sklearn中的实现第二期:随机森林在sklearn中的实现 ...
Kaggle案例之泰坦尼克船员幸存预测（sklearn机器学习库）
无意间在网易云课堂上找了一个Kaggle案例,泰坦尼克获救船员预测,在此之前我是从没接触过kaggle,毕竟是刚入门的小白,看着视频,算是真正实战了一次,主要是在这个过程中学到了很多东西. 下面视频地 ...

【1 - 决策树 - 案例部分：泰坦尼克号幸存者预测】菜菜sklearn机器学习

问题描述

数据集

代码

（一）导入数据集，探索数据

（二）对数据集进行预处理

（三）提取标签和特征矩阵，分测试集和训练集

（四）导入模型

（五）在不同max_depth下观察模型的拟合状况

（六）用网格搜索调整参数

测试并提交Kaggle

【1 - 决策树 - 案例部分：泰坦尼克号幸存者预测】菜菜sklearn机器学习相关推荐

最新文章

热门文章