公众号：尤而小屋
作者：Peter
编辑：Peter
大家好，我是Peter~
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
import pandas as pd
import numpy as np
import plotly_express as px
from matplotlib import pyplot as plt
import seaborn as sns
# 忽略警告
import warnings
warnings.filterwarnings('ignore')
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
fig = px.bar(cap,x="color",
y="number",
color="number",
text="number",
color_continuous_scale="rainbow")
# fig.update_layout(text_position="outside")
fig.show()
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：
fig = px.bar(cap_class,x="color",
y="number",
color="class",
text="number",
barmode="group",
)
fig.show()
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：
fig = px.bar(odor,
x="odor",
y="number",
color="number",
text="number",
color_continuous_scale="rainbow")
fig.show()
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：
fig = px.bar(odor_class,
x="odor",
y="number",
color="class",
text="number",
barmode="group",
)
fig.show()
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：
corr = data.corr()
sns.heatmap(corr)
plt.show()
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
from sklearn.preprocessing import LabelEncoder # 类型编码
labelencoder = LabelEncoder()
for col in data.columns:
data[col] = labelencoder.fit_transform(data[col])
# 转换后
data.head()
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：
ax = sns.boxplot(x='class',
y='stalk-color-above-ring',
data=data)
ax = sns.stripplot(x="class",
y='stalk-color-above-ring',
data=data,
jitter=True,
edgecolor="gray")
plt.title("Class w.r.t stalkcolor above ring",fontsize=12)
plt.show()
分离特征和标签
X = data.iloc[:,1:23] # 特征
y = data.iloc[:, 0] # 标签
数据标准化
# 归一化（Normalization）、标准化（Standardization）
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)
X
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、实施pca
from sklearn.decomposition import PCA
pca = PCA()
pca.fit_transform(X)
# 2、得到相关系数
covariance = pca.get_covariance()
# 3、得到每个变量对应的方差值
explained_variance=pca.explained_variance_
explained_variance
通过绘图来展示每个主成分的得分关系：
with plt.style.context("dark_background"): # 背景
plt.figure(figsize=(6,4)) # 大小
plt.bar(range(22), # 主成分个数
explained_variance, # 方差值
alpha=0.5, # 透明度
align="center",
label="individual explained variance" # 标签
)
plt.ylabel('Explained variance ratio') # 轴名称和图例
plt.xlabel('Principal components')
plt.legend(loc="best")
plt.tight_layout() # 自动调整子图参数
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
N = data.values
pca = PCA(n_components=2)
x = pca.fit_transform(N)
plt.figure(figsize=(5,5))
plt.scatter(x[:,0],x[:,1])
plt.show()
2、实施聚类建模后的分布：
from sklearn.cluster import KMeans
km = KMeans(n_clusters=2,random_state=5)
N = data.values # numpy数组形式
X_clustered = km.fit_predict(N) # 建模结果0-1
label_color_map = {0:"g", # 分类结果只有0和1，进行打标
1:"y"}
label_color = [label_color_map[l] for l in X_clustered]
plt.figure(figsize=(5,5))
# x = pca.fit_transform(N)
plt.scatter(x[:,0],x[:,1], c=label_color)
plt.show()
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
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=4)
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
from sklearn.linear_model import LogisticRegression # 逻辑回归（分类）
from sklearn.model_selection import cross_val_score # 交叉验证得分
from sklearn import metrics # 模型评价
# 建立模型
model_LR = LogisticRegression()
model_LR.fit(X_train, y_train)
查看具体的预测效果：
model_LR.score(X_test,y_pred)
# 结果
1.0 # 效果很好
逻辑回归下的混淆矩阵：
confusion_matrix = metrics.confusion_matrix(y_test, y_pred)
confusion_matrix
# 结果
array([[815, 30],
[ 36, 744]])
具体的auc值：
auc_roc = metrics.roc_auc_score(y_test, y_pred) # 测试纸和预测值
auc_roc
# 结果
0.9591715976331362
真假阳性
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate,thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate,true_positive_rate)
roc_auc
# 结果
0.9903474434835382
ROC曲线
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title("ROC") # Receiver Operating Characteristic
plt.plot(false_positive_rate,
true_positive_rate,
color="red",
label="AUC = %0.2f"%roc_auc
)
plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle="--")
plt.axis("tight")
# 真阳性：预测类别为1的positive；预测正确True
plt.ylabel("True Positive Rate")
# 假阳性：预测类别为1的positive；预测错误False
plt.xlabel("False Positive Rate")
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：
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn import metrics
# 未优化的模型
LR_model= LogisticRegression()
# 待确定的参数
tuned_parameters = {"C":[0.001,0.01,0.1,1,10,100,1000],
"penalty":['l1','l2'] # 选择不同的正则方式，防止过拟合
}
# 网格搜索模块
from sklearn.model_selection import GridSearchCV
# 加入网格搜索功能
LR = GridSearchCV(LR_model, tuned_parameters,cv=10)
# 搜索之后再建模
LR.fit(X_train, y_train)
# 确定参数
print(LR.best_params_)
{'C': 100, 'penalty': 'l2'}
查看优化后的预测情况：
混淆矩阵和AUC情况：
ROC曲线情况：
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
#roc_auc = auc(false_positive_rate, true_positive_rate)
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title("ROC") # Receiver Operating Characteristic
plt.plot(false_positive_rate,
true_positive_rate,
color="red",
label="AUC = %0.2f"%roc_auc
)
plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle="--")
plt.axis("tight")
# 真阳性：预测类别为1的positive；预测正确True
plt.ylabel("True Positive Rate")
# 假阳性：预测类别为1的positive；预测错误False
plt.xlabel("False Positive Rate")
模型2：高斯朴素贝叶斯
建模
from sklearn.naive_bayes import GaussianNB
model_naive = GaussianNB()
# 建模
model_naive.fit(X_train, y_train)
# 预测概率
y_prob = model_naive.predict_proba(X_test)[:,1]
y_pred = np.where(y_prob > 0.5,1,0)
model_naive.score(X_test,y_pred)
# 结果
1
预测值和真实值不等的数量：111个
交叉验证
scores = cross_val_score(model_naive,
X,
y,
cv=10,
scoring="accuracy"
)
scores
混淆矩阵和AUC
真假阳性
# 导入评价模块
from sklearn.metrics import roc_curve, auc
# 评价指标
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
# roc曲线面积
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc
# 结果
0.9592201486876043
ROC曲线
AUC的值才0.96
# 绘图
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title("ROC")
plt.plot(false_positive_rate,true_positive_rate,color="red",label="AUC=%0.2f"%roc_auc)
plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle='--')
plt.axis("tight")
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()
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
from sklearn.svm import SVC
svm_model = SVC()
tuned_parameters = {
'C': [1, 10, 100,500, 1000],
'kernel': ['linear','rbf'],
'C': [1, 10, 100,500, 1000],
'gamma': [1,0.1,0.01,0.001, 0.0001],
'kernel': ['rbf']
}
随机网格搜索-RandomizedSearchCV
from sklearn.model_selection import RandomizedSearchCV
# 建立随机搜索模型
model_svm = RandomizedSearchCV(
svm_model, # 待搜索模型
tuned_parameters, # 参数
cv=10, # 10折交叉验证
scoring="accuracy", # 评分标准
n_iter=20 # 迭代次数
)
# 训练模型
model_svm.fit(X_train,y_train)
RandomizedSearchCV(cv=10,
estimator=SVC(),
n_iter=20,
param_distributions={'C': [1, 10, 100, 500, 1000],
'gamma': [1, 0.1, 0.01, 0.001, 0.0001],
'kernel': ['rbf']},
scoring='accuracy')
# 最佳得分效果
print(model_svm.best_score_)
1.0
得分最佳匹配参数：
# 预测
y_pred = model_svm.predict(X_test)
# 预测值和原始标签值计算：分类准确率
metrics.accuracy_score(y_pred, y_test)
# 结果
1
混淆矩阵
查看具体的混淆矩阵和预测情况：
ROC曲线
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_pred)
roc_auc = auc(false_positive_rate, true_positive_rate)
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')
plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
模型5：随机森林
建模拟合
from sklearn.ensemble import RandomForestClassifier
# 建模
model_RR = RandomForestClassifier()
# 拟合
model_RR.fit(X_train, y_train)
预测得分
混淆矩阵
ROC曲线
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc # 1
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')
plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()
模型6：决策树（CART）
建模
from sklearn.tree import DecisionTreeClassifier
# 建模
model_tree = DecisionTreeClassifier()
model_tree.fit(X_train, y_train)
# 预测
y_prob = model_tree.predict_proba(X_test)[:,1]
# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
model_tree.score(X_test, y_pred)
# 结果
1
混淆矩阵
各种评价指标的体现：
ROC曲线
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc # 1
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10)) # 画布
plt.title('ROC') # 标题
plt.plot(false_positive_rate, # 绘图
true_positive_rate,
color='red',
label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right') # 图例位置
plt.plot([0, 1], [0, 1],linestyle='--') # 正比例直线
plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()
模型6：神经网络ANN
建模
混淆矩阵
ROC曲线
# 真假阳性
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc # 1
# 绘制ROC曲线
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')
plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()
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
from sklearn.neural_network import MLPClassifier
# 实例化
mlp_model = MLPClassifier()
# 待调节参数
tuned_parameters={'hidden_layer_sizes': range(1,200,10),
'activation': ['tanh','logistic','relu'],
'alpha':[0.0001,0.001,0.01,0.1,1,10],
'max_iter': range(50,200,50)
}
model_mlp= RandomizedSearchCV(mlp_model,
tuned_parameters,
cv=10,
scoring='accuracy',
n_iter=5,
n_jobs= -1,
random_state=5)
model_mlp.fit(X_train,y_train)
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
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc # 1
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)
plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')
plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
混淆矩阵和ROC
这是一篇很好的文章来解释混淆矩阵和ROC
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
