|
另外，好久沒(méi)贈(zèng)書(shū)了 。本篇文末贈(zèng)送 5 本硬核的機(jī)器學(xué)習(xí)書(shū)籍《機(jī)器學(xué)習(xí)算法入門(mén)與編程實(shí)踐》，歡迎各位讀者留言參與~
隨著人工智能時(shí)代的到來(lái)，機(jī)器學(xué)習(xí)已成為解決問(wèn)題的關(guān)鍵工具，如識(shí)別交易是否欺詐、預(yù)測(cè)降雨量、新聞分類(lèi)、產(chǎn)品營(yíng)銷(xiāo)推薦。我們接下來(lái)會(huì)詳細(xì)介紹機(jī)器學(xué)習(xí)如何應(yīng)用到實(shí)際問(wèn)題，并概括機(jī)器學(xué)習(xí)應(yīng)用的一般流程。
1.1 明確問(wèn)題明確業(yè)務(wù)問(wèn)題是機(jī)器學(xué)習(xí)的先決條件，即抽象出該問(wèn)題為機(jī)器學(xué)習(xí)的預(yù)測(cè)問(wèn)題：需要學(xué)習(xí)什么樣的數(shù)據(jù)作為輸入，目標(biāo)是得到什么樣的模型做決策作為輸出。一個(gè)簡(jiǎn)單的新聞分類(lèi)的場(chǎng)景，就是學(xué)習(xí)已有的新聞及其類(lèi)別標(biāo)簽數(shù)據(jù)，得到一個(gè)文本分類(lèi)模型，通過(guò)模型對(duì)每天新的新聞做類(lèi)別預(yù)測(cè)，以歸類(lèi)到每個(gè)新聞?lì)l道。1.2 數(shù)據(jù)選擇機(jī)器學(xué)習(xí)廣泛流傳一句話(huà)：“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)結(jié)果的上限，而模型算法只是盡可能逼近這個(gè)上限”，意味著數(shù)據(jù)及其特征表示的質(zhì)量決定了模型的最終效果，且在實(shí)際的工業(yè)應(yīng)用中，算法通常占了很小的一部分，大部分的工作都是在找數(shù)據(jù)、提煉數(shù)據(jù)、分析數(shù)據(jù)及特征工程。數(shù)據(jù)選擇是準(zhǔn)備機(jī)器學(xué)習(xí)原料的關(guān)鍵，需要關(guān)注的是：① 數(shù)據(jù)的代表性：數(shù)據(jù)質(zhì)量差或無(wú)代表性，會(huì)導(dǎo)致模型擬合效果差；② 數(shù)據(jù)時(shí)間范圍：對(duì)于監(jiān)督學(xué)習(xí)的特征變量X及標(biāo)簽Y，如與時(shí)間先后有關(guān)，則需要?jiǎng)澏ê脭?shù)據(jù)時(shí)間窗口，否則可能會(huì)導(dǎo)致數(shù)據(jù)泄漏，即存在和利用因果顛倒的特征變量的現(xiàn)象。（如預(yù)測(cè)明天會(huì)不會(huì)下雨，但是訓(xùn)練數(shù)據(jù)引入明天溫濕度情況）；③ 數(shù)據(jù)業(yè)務(wù)范圍：明確與任務(wù)相關(guān)的數(shù)據(jù)表范圍，避免缺失代表性數(shù)據(jù)或引入大量無(wú)關(guān)數(shù)據(jù)作為噪音。2 特征工程特征工程就是對(duì)原始數(shù)據(jù)分析處理轉(zhuǎn)化為模型可用的特征，這些特征可以更好地向預(yù)測(cè)模型描述潛在規(guī)律，從而提高模型對(duì)未見(jiàn)數(shù)據(jù)的準(zhǔn)確性。特征工程按技術(shù)上可分為如下幾步：① 探索性數(shù)據(jù)分析：數(shù)據(jù)分布、缺失、異常及相關(guān)性等情況；② 數(shù)據(jù)預(yù)處理：缺失值/異常值處理，數(shù)據(jù)離散化，數(shù)據(jù)標(biāo)準(zhǔn)化等；③ 特征提?。禾卣鞅硎荆卣餮苌?，特征選擇，特征降維等；2.1 探索性數(shù)據(jù)分析拿到數(shù)據(jù)后，可以先做探索性數(shù)據(jù)分析（EDA）去理解數(shù)據(jù)本身的內(nèi)部結(jié)構(gòu)及規(guī)律，如果你對(duì)數(shù)據(jù)情況不了解也沒(méi)有相關(guān)的業(yè)務(wù)背景知識(shí)，不做相關(guān)的分析及預(yù)處理，直接將數(shù)據(jù)喂給傳統(tǒng)模型往往效果不太好。通過(guò)探索性數(shù)據(jù)分析，可以了解數(shù)據(jù)分布、缺失、異常及相關(guān)性等情況，利用這些基本信息做數(shù)據(jù)的處理及特征加工，可以進(jìn)一步提高特征質(zhì)量，靈活選擇合適的模型方法。2.2 數(shù)據(jù)預(yù)處理異常值處理收集的數(shù)據(jù)由于人為或者自然因素可能引入了異常值（噪音），這會(huì)對(duì)模型學(xué)習(xí)進(jìn)行干擾。 通常需要處理人為引起的異常值，通過(guò)業(yè)務(wù)或技術(shù)手段(如3σ準(zhǔn)則)判定異常值，再由（正則式匹配）等方式篩選異常的信息，并結(jié)合業(yè)務(wù)情況刪除或者替換數(shù)值。缺失值處理數(shù)據(jù)缺失值可以通過(guò)結(jié)合業(yè)務(wù)進(jìn)行填充數(shù)值、不做處理或者刪除。根據(jù)特征缺失率情況及處理方式分為以下情況：① 缺失率較高，并結(jié)合業(yè)務(wù)可以直接刪除該特征變量。經(jīng)驗(yàn)上可以新增一個(gè)bool類(lèi)型的變量特征記錄該字段的缺失情況，缺失記為1，非缺失記為0；② 缺失率較低，結(jié)合業(yè)務(wù)可使用一些缺失值填充手段，如pandas的fillna方法、訓(xùn)練回歸模型預(yù)測(cè)缺失值并填充；③ 不做處理：部分模型如隨機(jī)森林、xgboost、lightgbm能夠處理數(shù)據(jù)缺失的情況，不需要對(duì)缺失數(shù)據(jù)再做處理。數(shù)據(jù)離散化離散化是將連續(xù)的數(shù)據(jù)進(jìn)行分段，使其變?yōu)橐欢味坞x散化的區(qū)間，分段的原則有等寬、等頻等方法。通過(guò)離散化一般可以增加抗噪能力、使特征更有業(yè)務(wù)解釋性、減小算法的時(shí)間及空間開(kāi)銷(xiāo)（不同算法情況不一）。數(shù)據(jù)標(biāo)準(zhǔn)化數(shù)據(jù)各個(gè)特征變量的量綱差異很大，可以使用數(shù)據(jù)標(biāo)準(zhǔn)化消除不同分量量綱差異的影響，加速模型收斂的效率。常用的方法有：① min-max 標(biāo)準(zhǔn)化：可將數(shù)值范圍縮放到（0, 1）且無(wú)改變數(shù)據(jù)分布。max為樣本最大值，min為樣本最小值。② z-score 標(biāo)準(zhǔn)化：可將數(shù)值范圍縮放到0附近， 經(jīng)過(guò)處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布。是平均值，σ是標(biāo)準(zhǔn)差。2.3 特征提取特征表示數(shù)據(jù)需要轉(zhuǎn)換為計(jì)算機(jī)能夠處理的數(shù)值形式，圖片類(lèi)的數(shù)據(jù)需要轉(zhuǎn)換為RGB三維矩陣的表示。字符類(lèi)的數(shù)據(jù)可以用多維數(shù)組表示，有Onehot獨(dú)熱編碼表示（用單獨(dú)一個(gè)位置的1來(lái)表示）、word2vetor分布式表示等；特征衍生基礎(chǔ)特征對(duì)樣本信息的表達(dá)有限，可通過(guò)特征衍生可以增加特征的非線(xiàn)性表達(dá)能力，提升模型效果。另外，在業(yè)務(wù)上的理解設(shè)計(jì)特征，還可以增加模型的可解釋性。(如體重除以身高就是表達(dá)健康情況的重要特征。)
特征衍生是對(duì)現(xiàn)有基礎(chǔ)特征的含義進(jìn)行某種處理（聚合/轉(zhuǎn)換之類(lèi)），常用方法人工設(shè)計(jì)、自動(dòng)化特征衍生（圖4.15）：① 結(jié)合業(yè)務(wù)的理解做人工衍生設(shè)計(jì)：聚合的方式是指對(duì)字段聚合后求平均值、計(jì)數(shù)、最大值等。比如通過(guò)12個(gè)月工資可以加工出：平均月工資，薪資最大值 等等；轉(zhuǎn)換的方式是指對(duì)字段間做加減乘除之類(lèi)。比如通過(guò)12個(gè)月工資可以加工出：當(dāng)月工資收入與支出的比值、差值等等；② 使用自動(dòng)化特征衍生工具：如Featuretools等，可以使用聚合(agg_primitives)、轉(zhuǎn)換(trans_primitives)或則自定義方式暴力生成特征；特征選擇特征選擇的目標(biāo)是尋找最優(yōu)特征子集，通過(guò)篩選出顯著特征、摒棄冗余特征，減少模型的過(guò)擬合風(fēng)險(xiǎn)并提高運(yùn)行效率。特征選擇方法一般分為三類(lèi)：① 過(guò)濾法：計(jì)算特征的缺失情況、發(fā)散性、相關(guān)性、信息量、穩(wěn)定性等類(lèi)型的指標(biāo)對(duì)各個(gè)特征進(jìn)行評(píng)估選擇，常用如缺失率、單值率、方差驗(yàn)證、pearson相關(guān)系數(shù)、chi2卡方檢驗(yàn)、IV值、信息增益及PSI等方法。② 包裝法：通過(guò)每次選擇部分特征迭代訓(xùn)練模型，根據(jù)模型預(yù)測(cè)效果評(píng)分選擇特征的去留，如sklearn的RFE遞歸特征消除。③ 嵌入法：直接使用某些模型訓(xùn)練的到特征重要性，在模型訓(xùn)練同時(shí)進(jìn)行特征選擇。通過(guò)模型得到各個(gè)特征的權(quán)值系數(shù)，根據(jù)權(quán)值系數(shù)從大到小來(lái)選擇特征。常用如基于L1正則項(xiàng)的邏輯回歸、XGBOOST特征重要性選擇特征。特征降維如果特征選擇后的特征數(shù)目仍太多，這種情形下常會(huì)有數(shù)據(jù)樣本稀疏、距離計(jì)算困難的問(wèn)題（稱(chēng)為 “維數(shù)災(zāi)難”），可以通過(guò)特征降維解決。常用的降維方法有：主成分分析法（PCA）等。3 模型訓(xùn)練模型訓(xùn)練是利用既定的模型方法去學(xué)習(xí)數(shù)據(jù)經(jīng)驗(yàn)的過(guò)程，這過(guò)程還需要結(jié)合模型評(píng)估以調(diào)整算法的超參數(shù)，最終選擇表現(xiàn)較優(yōu)的模型。3.1 數(shù)據(jù)集劃分訓(xùn)練模型前，常用的HoldOut驗(yàn)證法（此外還有留一法、k折交叉驗(yàn)證等方法），把數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，并可再對(duì)訓(xùn)練集進(jìn)一步細(xì)分為訓(xùn)練集和驗(yàn)證集，以方便評(píng)估模型的性能。① 訓(xùn)練集（training set）：用于運(yùn)行學(xué)習(xí)算法，訓(xùn)練模型。② 開(kāi)發(fā)驗(yàn)證集（development set）用于調(diào)整超參數(shù)、選擇特征等，以選擇合適模型。③ 測(cè)試集（test set）只用于評(píng)估已選擇模型的性能，但不會(huì)據(jù)此改變學(xué)習(xí)算法或參數(shù)。###3.2 模型方法選擇
結(jié)合當(dāng)前任務(wù)及數(shù)據(jù)情況選擇合適的模型方法，常用的方法如下圖 ，scikit-learn模型方法的選擇。此外還可以結(jié)合多個(gè)模型做模型融合。3.3 訓(xùn)練過(guò)程模型的訓(xùn)練過(guò)程即學(xué)習(xí)數(shù)據(jù)經(jīng)驗(yàn)得到較優(yōu)模型及對(duì)應(yīng)參數(shù)（如神經(jīng)網(wǎng)絡(luò)最終學(xué)習(xí)到較優(yōu)的權(quán)重值）。整個(gè)訓(xùn)練過(guò)程還需要通過(guò)調(diào)節(jié)超參數(shù)（如神經(jīng)網(wǎng)絡(luò)層數(shù)、梯度下降的學(xué)習(xí)率)進(jìn)行控制優(yōu)化的。調(diào)節(jié)超參數(shù)是一個(gè)基于數(shù)據(jù)集、模型和訓(xùn)練過(guò)程細(xì)節(jié)的實(shí)證過(guò)程，需要基于對(duì)算法的原理理解和經(jīng)驗(yàn)，借助模型在驗(yàn)證集的評(píng)估進(jìn)行參數(shù)調(diào)優(yōu)，此外還有自動(dòng)調(diào)參技術(shù)：網(wǎng)格搜索、隨機(jī)搜索及貝葉斯優(yōu)化等。4 模型評(píng)估機(jī)器學(xué)習(xí)的直接目的是學(xué)（擬合）到“好”的模型，不僅僅是學(xué)習(xí)過(guò)程中對(duì)訓(xùn)練數(shù)據(jù)的良好的學(xué)習(xí)預(yù)測(cè)能力，根本上在于要對(duì)新數(shù)據(jù)能有很好的預(yù)測(cè)能力（泛化能力），所以客觀地評(píng)估模型性能至關(guān)重要。技術(shù)上常根據(jù)訓(xùn)練集及測(cè)試集的指標(biāo)表現(xiàn)，評(píng)估模型的性能。4.1 評(píng)估指標(biāo)評(píng)估分類(lèi)模型常用的評(píng)估標(biāo)準(zhǔn)有查準(zhǔn)率P、查全率R及兩者調(diào)和平均F1-score 等，并由混淆矩陣的統(tǒng)計(jì)相應(yīng)的個(gè)數(shù)計(jì)算出數(shù)值：查準(zhǔn)率是指分類(lèi)器分類(lèi)正確的正樣本（TP）的個(gè)數(shù)占該分類(lèi)器所有預(yù)測(cè)為正樣本個(gè)數(shù)（TP+FP）的比例；查全率是指分類(lèi)器分類(lèi)正確的正樣本個(gè)數(shù)（TP）占所有的正樣本個(gè)數(shù)（TP+FN）的比例。F1-score是查準(zhǔn)率P、查全率R的調(diào)和平均：評(píng)估回歸模型常用的評(píng)估指標(biāo)有MSE均方誤差等。反饋的是預(yù)測(cè)數(shù)值與實(shí)際值的擬合情況。評(píng)估聚類(lèi)模型可分為兩類(lèi)方式，一類(lèi)將聚類(lèi)結(jié)果與某個(gè)“參考模型”的結(jié)果進(jìn)行比較，稱(chēng)為“外部指標(biāo)”（external index）：如蘭德指數(shù)，F(xiàn)M指數(shù)等。另一類(lèi)是直接考察聚類(lèi)結(jié)果而不利用任何參考模型，稱(chēng)為“內(nèi)部指標(biāo)”（internal index）：如緊湊度、分離度等。4.2 模型評(píng)估及優(yōu)化訓(xùn)練機(jī)器學(xué)習(xí)模型所使用的數(shù)據(jù)樣本集稱(chēng)之為訓(xùn)練集（training set）， 在訓(xùn)練數(shù)據(jù)的誤差稱(chēng)之為訓(xùn)練誤差（training error），在測(cè)試數(shù)據(jù)上的誤差，稱(chēng)之為測(cè)試誤差（test error）或泛化誤差 （generalization error）。描述模型擬合（學(xué)習(xí)）程度常用欠擬合、擬合良好、過(guò)擬合，我們可以通過(guò)訓(xùn)練誤差及測(cè)試誤差評(píng)估模型的擬合程度。從整體訓(xùn)練過(guò)程來(lái)看，欠擬合時(shí)訓(xùn)練誤差和測(cè)試誤差均較高，隨著訓(xùn)練時(shí)間及模型復(fù)雜度的增加而下降。在到達(dá)一個(gè)擬合最優(yōu)的臨界點(diǎn)之后，訓(xùn)練誤差下降，測(cè)試誤差上升，這個(gè)時(shí)候就進(jìn)入了過(guò)擬合區(qū)域。欠擬合是指相較于數(shù)據(jù)而言模型結(jié)構(gòu)過(guò)于簡(jiǎn)單，以至于無(wú)法學(xué)習(xí)到數(shù)據(jù)中的規(guī)律。過(guò)擬合是指模型只過(guò)分地匹配訓(xùn)練數(shù)據(jù)集，以至于對(duì)新數(shù)據(jù)無(wú)良好地?cái)M合及預(yù)測(cè)。其本質(zhì)是較復(fù)雜模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到了統(tǒng)計(jì)噪聲導(dǎo)致的。分析模型擬合效果并對(duì)模型進(jìn)行優(yōu)化，常用的方法有：5 模型決策決策應(yīng)用是機(jī)器學(xué)習(xí)最終目的，對(duì)模型預(yù)測(cè)信息加以分析解釋?zhuān)?yīng)用于實(shí)際的工作領(lǐng)域。需要注意的是，工程上是結(jié)果導(dǎo)向，模型在線(xiàn)上運(yùn)行的效果直接決定模型的成敗，不僅僅包括其準(zhǔn)確程度、誤差等情況，還包括其運(yùn)行的速度(時(shí)間復(fù)雜度)、資源消耗程度（空間復(fù)雜度）、穩(wěn)定性的綜合考慮。6 機(jī)器學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)(數(shù)據(jù)挖掘)6.1 項(xiàng)目介紹項(xiàng)目的實(shí)驗(yàn)數(shù)據(jù)來(lái)源著名的UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)有大量的人工智能數(shù)據(jù)挖掘數(shù)據(jù)。本例選用的是sklearn上的數(shù)據(jù)集版本：Breast Cancer Wisconsin DataSet(威斯康星州乳腺癌數(shù)據(jù)集)，這些數(shù)據(jù)來(lái)源美國(guó)威斯康星大學(xué)醫(yī)院的臨床病例報(bào)告，每條樣本有30個(gè)特征屬性，標(biāo)簽為是否良性腫瘤，即有監(jiān)督分類(lèi)預(yù)測(cè)的問(wèn)題。 項(xiàng)目的建模思路是通過(guò)分析乳腺癌數(shù)據(jù)集數(shù)據(jù)，特征工程，構(gòu)建邏輯回歸模型學(xué)習(xí)數(shù)據(jù)，預(yù)測(cè)樣本的類(lèi)別是否為良性腫瘤。6.2 代碼實(shí)現(xiàn)導(dǎo)入相關(guān)的Python庫(kù)，加載cancer數(shù)據(jù)集，查看數(shù)據(jù)介紹， 并轉(zhuǎn)為DataFrame格式。 import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.utils import plot_model
from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import precision_score, recall_score, f1_score
dataset_cancer = datasets.load_breast_cancer() # 加載癌細(xì)胞數(shù)據(jù)集
print(dataset_cancer['DESCR'])
df = pd.DataFrame(dataset_cancer.data, columns=dataset_cancer.feature_names)
df['label'] = dataset_cancer.target
print(df.shape)
df.head()
探索性數(shù)據(jù)分析EDA：使用pandas_profiling庫(kù)分析數(shù)據(jù)數(shù)值情況，缺失率及相關(guān)性等。import pandas_profiling
pandas_profiling.ProfileReport(df, title='Breast Cancer DataSet EDA')  ● 分析特征無(wú)明顯異常值及缺失的情況，無(wú)需處理；● 已有mean/standard error等衍生特征，無(wú)需特征衍生；● 結(jié)合相關(guān)性等指標(biāo)做特征選擇（過(guò)濾法）；● 對(duì)特征進(jìn)行標(biāo)準(zhǔn)化以加速模型學(xué)習(xí)過(guò)程；# 篩選相關(guān)性>0.99的特征清單列表及標(biāo)簽
drop_feas = ['label','worst_radius','mean_radius']
# 選擇標(biāo)簽y及特征x
y = df.label
x = df.drop(drop_feas,axis=1) # 刪除相關(guān)性強(qiáng)特征及標(biāo)簽列
# holdout驗(yàn)證法： 按3：7劃分測(cè)試集 訓(xùn)練集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3)
# 特征z-score 標(biāo)準(zhǔn)化
sc = StandardScaler()
x_train = sc.fit_transform(x_train) # 注：訓(xùn)練集測(cè)試集要分別標(biāo)準(zhǔn)化，以免測(cè)試集信息泄露到模型訓(xùn)練
x_test = sc.transform(x_test)
模型訓(xùn)練：使用keras搭建邏輯回歸模型，訓(xùn)練模型，觀察模型訓(xùn)練集及驗(yàn)證集的loss損失_dim = x_train.shape[1] # 輸入模型的特征數(shù)
# LR邏輯回歸模型
model = Sequential()
model.add(Dense(1, input_dim=_dim, activation='sigmoid',bias_initializer='uniform')) # 添加網(wǎng)絡(luò)層，激活函數(shù)sigmoid
model.summary()
plot_model(model,show_shapes=True) model.compile(optimizer='adam', loss='binary_crossentropy') #模型編譯：選擇交叉熵?fù)p失函數(shù)及adam梯度下降法優(yōu)化算法
model.fit(x, y, validation_split=0.3, epochs=200) # 模型迭代訓(xùn)練: validation_split比例0.3, 迭代epochs200次
# 模型訓(xùn)練集及驗(yàn)證集的損失
plt.figure()
plt.plot(model.history.history['loss'],'b',label='Training loss')
plt.plot(model.history.history['val_loss'],'r',label='Validation val_loss')
plt.title('Traing and Validation loss')
plt.legend()
以測(cè)試集F1-score等指標(biāo)的表現(xiàn)，評(píng)估模型的泛化能力。最終測(cè)試集的f1-score有88%，有較好的模型表現(xiàn)。def model_metrics(model, x, y):
'''
評(píng)估指標(biāo)
'''
yhat = model.predict(x).round() # 模型預(yù)測(cè)yhat，預(yù)測(cè)閾值按默認(rèn)0.5劃分
result = {
'f1_score': f1_score(y, yhat),
'precision':precision_score(y, yhat),
'recall':recall_score(y, yhat)
}
return result
# 模型評(píng)估結(jié)果
print('TRAIN')
print(model_metrics(model, x_train, y_train))
print('TEST')
print(model_metrics(model, x_test, y_test))
GitHub的項(xiàng)目代碼：https://github.com/aialgorithm/Blog贈(zèng)送書(shū)籍：5 本《機(jī)器學(xué)習(xí)算法入門(mén)與編程實(shí)踐》，由「機(jī)械工業(yè)出版社」贊助提供，機(jī)器學(xué)習(xí)初學(xué)者，建議強(qiáng)烈入手一本。贈(zèng)送規(guī)則：通過(guò)留言點(diǎn)贊的方式送出，「轉(zhuǎn)發(fā)本文至朋友圈」+「留言」，留言點(diǎn)贊數(shù)量最多 前5位 讀者將獲得一本（走心留言才可精選）。開(kāi)獎(jiǎng)時(shí)間：「12月7日20:00」。
|
