当前位置 > 首页 > 案例分析 > 实战案例|泰坦尼克号乘客生存预测

实战案例|泰坦尼克号乘客生存预测

来源:中国数据分析行业网 | 时间:2021-02-25 | 作者:数据委

(来源:数据运营与数据分析 作者 Jalenxr)

随机森林

1、什么是集成学习方法

集成学习通过建立几个板型组合的来解决单一预测问题,它的工作原理是生成多个分类器/模型,各独立地学习和作出预测。这些预测最后结合成组合预测,因此优于任何一个单分类的做出预测。决策树过度拟合可以用剪枝或者集成学习方法的随机森林实现。

2、什么是随机森林

在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由多个决策树输出的类别的众数而定。例如,如果你训练了5个树,其中有4个树的结果是True,1个树的结果是False,那么最终投票结果就是True。

  • 随机:特值随机,训练集随机
  • 森林:包含多个决策树的分类器

 

3、随机森林的原理过程

随机:特值随机,训练集随机。随机森林算法根据下列算法而建造每棵树:

  • 用N来表示训练用例(样本)的个数,M表示特征数目。
    • 1、一次随机选出一个样本,重复N次。(随机有放回的抽取,有可能出现重复的样本)
    • 2、随机去选出m个特征,m << M,建立决策制,每棵树有m个特征。
  • 采取bootstrap抽样(随机有放回的抽样)

 

4、为何采取bootstrap抽样

为什么要随机抽样训练?

  • 如果不进行随机抽样,每棵树的训练集都一样,那么最终训练出的树分类结果也一样

为什么要有放回地抽样?

  • 如果不是有放回的抽样,那么每棵树的训练样本都是不同的,都是没有交集的,也就是说每棵树训练出来都是有很大的差异的;而随机森林最后分类取决于多棵树(弱分类器》的投票表决。

 

5、python实现随机森林的接口

语法:sklearn.ensemble.RandomForestClassifier(n_estimators=10,criterion='gini',max_depth=None,bootstrap=True,min_samples_split=2,random_state=None,n_jobs=-1)

参数:

  • n_estimators:integer,optional(default=10)森林里的树木数量10,50,100,...
  • criteria:string,可选(default="gini")分割特征的测量方法"entropy"、"gini"
  • max_depth:integer或None,可选(默认=无)树的最大深度5,8,15,...
  • max_features="auto”,每个决策树的最大特征数量
    • If"auto",then sqrt(n_features)
    • If"sqrt",then sqrt(n_features)(same as"auto")
    • If"log2",then log2(n_features)
    • If None,then n_features
    • If "float",then float*n_features
  • bootstrap:boolean,optional(default=True)是否在构建树时使用放回抽样
  • min_samples_split:节点划分最少样本数
  • min_samples_leaf:叶子节点的最小样本数
  • random_state:int/None,有必要控制随机的状态,才能重复的展现相同的结果
  • n_jobs=-1:可以调用所有内核
  • 其中超参数有:n_estimator,max_depth,min_samples_split,min_samples_leaf

 

6、应用总结

  • 在当前所有分类算法中,具有极好的准确率
  • 能够有效地运行在大数据集上,处理具有高维特征的输入样本,而且不需要降维
  • 能够评估各个特征在分类问题上的重要性

 

7、案例:随机森林对泰坦尼克号乘客的生存进行预测

import pandas as pd
'''1 获取数据'''
path = "http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt"
titanic = pd.read_csv(path)
display(titanic.tail(3))
# 解释数据
#字段:row.names,pclass,survived,name,age,embarked,home.dest,room,icket,boat,sex
#解释:人员编号,人员等级划分,是否幸存,名字,年龄,上传地点,家庭地址,所在船舱,船票,boat(我也不知道怎么解释),性别

# 筛选特征值和目标值
x = titanic[["pclass", "age", "sex","embarked","home.dest","room"]]
y = titanic["survived"]


'''2 数据预处理'''
x.info() #发现缺失值,
#root变量缺失值太多,不具备解释性,删除。
x = x.drop("room", inplace=False, axis=1)   #删除room列
#age变量缺失值,用均值代替
x["age"] = x["age"].fillna(x["age"].mean(), inplace=False)
#embarked 、home.dest 缺失,使用上一个人的向下填充
x = x.fillna(method="ffill",inplace=False)
#home.dest 缺失值用向上填充
display(x.head(3))


'''3 特征工程'''
'''需要将x的字符串转换为数值型'''
# 1) 转换成字典(可有可无)
x = x.to_dict(orient="records")
# print(x)

# 2)、数据集划分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=11)
#display(x_train)

# 3)、字典特征抽取
from sklearn.feature_extraction import DictVectorizer

transfer = DictVectorizer(sparse=False)
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# print(transfer.get_feature_names()) #返回类别名称
display(x_train)

'''4 模型预估器'''
from sklearn.tree import DecisionTreeClassifier,export_graphviz
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
import warnings
warnings.filterwarnings("ignore") #用于排除警告
estimator = RandomForestClassifier(n_jobs=-1,random_state=1)
# 加入网格搜索与交叉验证
# 参数准备
param_dict = {"n_estimators": [100,120,200,300,500,800],
              "max_depth":[3,5,8,10,15], 
              "max_features":["auto","log2",None]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
estimator.fit(x_train, y_train)

 

'''5 叉验证网格搜索结果评估'''
#1)交叉验证网格搜索结果评估
# 最佳参数:best_params_
print("最佳参数:\n", estimator.best_params_)
# 最佳结果:best_score_
print("最佳结果:\n", estimator.best_score_)
# 最佳估计器:best_estimator_
print("最佳估计器:\n", estimator.best_estimator_)
# 交叉验证结果:cv_results_
#print("交叉验证结果:\n", estimator.cv_results_)  transfer.get_feature_names()
'''6.模型评估'''
# 1)直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
#print("直接比对真实值和预测值:\n", y_test == y_predict)

# 2)准确率、精确率、召回率、F1-score
score = estimator.score(x_test, y_test)
print("accuracy准确率为:", score)
# 查看精确率、召回率、F1-score
from sklearn.metrics import classification_report
report = classification_report(y_test, y_predict, 
                               labels=[1, 0], 
                               target_names=["幸存", "死亡"])
print(report)

# 3)ROC曲线和AUC值(二分类评估)
from sklearn.metrics import roc_auc_score
AUC = roc_auc_score(y_test, y_predict)  #计算AUC指标:越接近1越好
print("AUC-模型稳定性:",AUC)
'''7.模型的保存'''
import joblib
joblib.dump(estimator,'RandomForestClassifier_titan.pkl')#模型保存



'''8再次加载使用模型'''
import joblib
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
estimator=joblib.load('RandomForestClassifier_titan.pkl') #模型加载
y_predict = estimator.predict(x_test)  #计算预测值x_test
print("y_predict(预测值):\n", y_predict)