文章目录基于周志华老师的《机器学习》、上一篇学习笔记以及网络的其他资料，对线性模型的这一部分内容进行一个总结。
学习时间：2022.04.17~2022.04.18
- 0. 数据预处理
- 1. 用SK-Learn做线性回归模型
- 1.1 线性回归
- 1.2 随机梯度下降执行线性回归
- 1.3 多项式回归
- 1.4 逻辑回归
- 2. 用SK-Learn评价回归模型
- 2.1 回归模型的评价指标
- 2.2 交叉验证的评价指标
- 2.3 过拟合与欠拟合
- 3. 用Sklearn进行网格搜索
- 4. 完整代码
尝试构建了一个可以通用处理的数据预处理函数（不能处理文本和时间数据，因为要具体情况具体分析）。
column_lists = list(df) # 获取所有的列名
bool_cos = [] # 获取所有的布尔类型列
classify_cos = [] # 获取所有的分类数据列
number_cos = [] # 获取所有的数据类型列
date_cos = [] # 获取所有的时间类型列
for i in column_lists:
if df[i].dtypes == 'bool':
bool_cos.append(i)
elif df[i].dtypes == 'object':
classify_cos.append(i)
elif str(df[i].dtypes) == 'datetime':
date_cos.append(i)
else:
number_cos.append(i)
# 缺失值添加是否缺失的特征列
for i in column_lists:
if df[i].isnull().any(): # 判断是否有缺失值
# 或者用if np.any(df[i].isnull()):
new_column = str(i + '_ifNaN') # 设置新列名
df[new_column] = df.apply(lambda df: 1 if df[i] == np.NaN else 0, axis=1)
# 对于分类型数据，使用众数填充
for i in classify_cos:
df[i] = df[i].fillna(df[i].mode()[0])
# 对于数值型数据，使用均值填充，并进行标准化（归一化的应用场景有限，可能会将数据的间距缩小）
for i in number_cos:
df[i].fillna(df[i].mean(), inplace=True)
def stand_sca(data):
data_standard = (data-data.mean())/data.std()
return data_standard
df[i] = stand_sca(df[i])
# 对于bool类型数据，使用众数填充，并转换成0和1
for i in bool_cos:
df[i].fillna(df[i].mode(), inplace=True)
df[i] = df[i].astype('int')
df = pd.get_dummies(df)
sklearn.linear_model.LinearRegression
sklearn.linear_model.SGDRegressor
可能需要调整的参数：
-
loss损失函数：要使用的损失函数。loss=“squared_error”：平方误差损失函数，普通最小二乘；“loss=huber”：增强平方误差损失函数对离群点的鲁棒性；“loss=epsilon_insensitive”：标准SVR的损失函数，是L1损耗；“loss=squared_epsilon_insensitive”：epsilon_insensitive的平方，是L2损耗。
-
penalty正则化方法：默认为“ l 2 l2 l2”。- 有’ l 2 l2 l2’， ‘ l 1 l1 l1’， ' e l a s t i c n e t elasticnet elasticnet'三种，分别对应岭回归、Lasso回归、d性回归。
-
alpha：使正则化项相乘的常量，值越高，正则化越强（仅针对’ l 2 l2 l2’， ‘ l 1 l1 l1’）。默认值为 0.0001。 -
l1_ratio：d性回归参数，[0,1]。确定’ l 2 l2 l2'和 ' l 1 l1 l1'的比率r，仅当是“d性网”时才使用。默认0.15。 -
max_iter最大迭代次数：默认=1000。 -
tol停止的容差标准：如果不是None，则在连续的epoch (loss > best_loss - tol)时停止训练。默认=1e-3。 -
epsilon敏感阈值：仅当为’ huber ‘、’ epsilon_insensitive ‘或’ squared_epsilon_insensitive '时。它决定了一个阈值，如果当前预测和正确标签之间的任何差异小于此阈值，则忽略它们。默认为0.1。 -
learning_rate：学习率模式：默认default=‘invsscaleing’。‘constant’: 常量。eta = eta0‘optimal'：最优。eta = 1.0 / (alpha * (t + t0))‘invscaling’：内扩。eta = eta0 / pow(t, power_t)power_t默认=0.1。
‘adaptive’：自适应。eta = eta0，但每次连续的 epoch 无法按tol减少训练损失或未能按 tol 提高验证分数 early_stopping时，当前学习速率除以 5。
-
eta0初始学习率。默认eta0=0.01。 -
early_stopping：当验证分数没有提高时，是否使用提前停止来终止训练。默认值 = False。validation_fraction：要留出的训练数据的比例，用于早期停止的验证集。默认值 = 0.1。
创建模板：
from sklearn.linear_model import SGDRegressor
# 实例化模型
SGDRegressor = SGDRegressor(loss='squared_error', penalty='l2', alpha=0.0001, max_iter=1000, tol=1e-3, eta0=0.01)
# 训练模型
SGDRegressor.fit(train_x, train_y)
# 模型预测
train_result = SGDRegressor.predict(train_x)
sklearn.preprocessing.PolynomialFeatures
可能需要调整的参数：
degree：如果给定一个整数，它指定多项式特征的最大度。如果传递了一个元组(min_degree, max_degree)，则min_degree是生成的特征的最小多项式度，max_degree是最大多项式度。注意min_degree=0和min_degree=1是等价的，因为输出的0度项是由include_bias决定的。默认default=2。
在使用PolynomialFeatures()函数后，再使用线性回归，即是多项式回归，PolynomialFeatures()只是一个数据预处理过程。
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
X = np.arange(6).reshape(3, 2)
print(X)
'''
array([[0, 1],
[2, 3],
[4, 5]])
'''
poly = PolynomialFeatures(2)
print(poly.fit_transform(X))
'''
array([[ 1., 0., 1., 0., 0., 1.],
[ 1., 2., 3., 4., 6., 9.],
[ 1., 4., 5., 16., 20., 25.]])
'''
poly = PolynomialFeatures(interaction_only=True)
print(poly.fit_transform(X))
'''
array([[ 1., 0., 1., 0.],
[ 1., 2., 3., 6.],
[ 1., 4., 5., 20.]])
'''
用于分类：sklearn.linear_model.LogisticRegression
penalty正则化方法：默认为“ l 2 l2 l2”。- 有’ l 2 l2 l2’， ‘ l 1 l1 l1’， ' e l a s t i c n e t elasticnet elasticnet'三种，分别对应岭回归、Lasso回归、d性回归。
l1_ratio：d性回归参数，[0,1]。确定’ l 2 l2 l2'和 ' l 1 l1 l1'的比率r，仅当是“d性网”时才使用。默认=None。tol停止的容差标准：如果不是None，则在连续的epoch (loss > best_loss - tol)时停止训练。默认=1e-4。C正则强度的倒数：与支持向量机一样，较小的值指定更强的正则化。default=1.0。solver：用于优化问题的算法。{‘newton-cg’, ‘lbfgs’, ‘liblinear’, ‘sag’, ‘saga’}, 默认=’lbfgs’。‘newton-cg’：也是牛顿法家族的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。‘lbfgs’：拟牛顿法的一种，利用损失函数二阶导数矩阵即海森矩阵来迭代优化损失函数。‘liblinear’：不支持设置penalty='none'；L1正则化，多用于二分类。‘sag’：要求数据进行缩放处理。支持L2正则化。随机平均梯度下降，是梯度下降法的变种。- ⭐
‘saga’：要求数据进行缩放处理。支持L1、L2和d性正则化。
max_iter：最大迭代次数，默认=100。multi_class：分类法类型，默认default=’auto’。‘auto’：自动判断。‘ovr’：每个标签都看做二分类问题。‘multinomial’：Softmax算法，多分类，即使数据是二分类的，损失最小是多项式损失拟合整个概率分布。（当solver =‘liblinear’ 时， ‘multinomial’ 不可用）。
可见：机器学习：线性模型学习总结（2）。
2. 用SK-Learn评价回归模型 2.1 回归模型的评价指标没有交叉验证的评价指标输出函数：
MSE = mean_squared_error(true_value, pred_value)
print("均方误差MSE：", MSE, end=';\t')
RMSE = np.sqrt(mean_squared_error(true_value, pred_value))
print("均方根误差RMSE：", RMSE, end=';\t')
MAE = mean_absolute_error(true_value, pred_value)
print("平均绝对误差MAE：", MAE, end=';\t')
R2 = r2_score(true_value, pred_value)
print("决定系数R-Square：", R2, end=';\t')
MAPE = mean_absolute_percentage_error(true_value, pred_value)
print("平均绝对百分比误差MAPE：", MAPE, end=';\t')
EVS = explained_variance_score(true_value, pred_value)
print("可解释方差：", EVS, end='。')
sklearn.model_selection.cross_val_score
需要定义的参数：
-
estimator：需要使用交叉验证的算法，即传入自己定义的模型。 -
X：传入数据集。 -
y：传入标签。 -
scoring：选择评价指标。回归模型默认R2，分类模型默认accuracy。default=None。- 其他支持的评分指标如下：
-
cv：交叉验证折数或可迭代的次数。default=None。None：使用默认的5倍交叉验证；int：指定(Stratified)KFold中的折叠次数；- An iterable that generates (train, test) splits as arrays of indices.
-
n_jobs：同时工作的cpu个数（-1代表全部）。default=None。 -
pre_dispatch：控制并行执行期间调度的作业数量。减少这个数量对于避免在CPU发送更多作业时CPU内存消耗的扩大是有用的。default=’2*n_jobs’。该参数可以是：None：在这种情况下，所有的工作立即创建并产生。将其用于轻量级和快速运行的作业，以避免由于按需产生作业而导致延迟；- An
int：一个int，给出所产生的总工作的确切数量； - A
str：给出一个表达式作为n_jobs的函数，如’2 * n_jobs。
# 计算交叉验证的MSE
MSE = cross_val_score(model, test_x, test_y, scoring='neg_mean_squared_error', cv=10)
print('均方误差MSE：', -MSE)
# 计算交叉验证的RMSE
RMSE = np.mean(np.sqrt(np.abs(MSE)))
# 计算交叉验证的R2
R2 = cross_val_score(model, test_x, test_y, scoring='r2', cv=10)
print("决定系数R-Square：", R2)
print('平均MSE：', np.mean(MSE), "; 平均RMSE：", RMSE, "; 平均R2：", np.mean(R2))
如果模型在训练数据上表现良好，但根据交叉验证的指标泛化较差，则你的模型过拟合。
- 在神经网络模型中，可使用权值衰减的方法，即每次迭代过程中以某个小因子降低每个权值。
- 选取合适的停止训练标准，使对机器的训练在合适的程度；
- 保留验证数据集，对训练成果进行验证；
- 获取额外数据进行交叉验证；
- 正则化，即在进行目标函数或代价函数优化时，在目标函数或代价函数后面加上一个正则项，一般有L1正则与L2正则等。
如果两者的表现均不理想，则说明欠拟合。
- 增加新特征，可以考虑加入进特征组合、高次特征，来增大假设空间；
- 添加多项式特征，这个在机器学习算法里面用的很普遍，例如将线性模型通过添加二次项或者三次项使模型泛化能力更强；
- 减少正则化参数，正则化的目的是用来防止过拟合的，但是模型出现了欠拟合，则需要减少正则化参数；
- 使用非线性模型，比如核SVM 、决策树、深度学习等模型；
- 调整模型的容量(capacity)，通俗地，模型的容量是指其拟合各种函数的能力；
- 容量低的模型可能很难拟合训练集；使用集成学习方法，如Bagging ,将多个弱学习器Bagging。
sklearn.model_selection.GridSearchCV
可能需要的参数：
estimator：参数针对的搜索对象，即要调参的模型。param_grid：超参的集合，本质上是一个列表，每个元素代表一组搜索（是一个字典），每个字典中的key是本次一次性要搜索的超参名字，对应的value是一个列表，描述搜索范围，其每个元素是相应的搜索取值。scoring：用于评估测试集上交叉验证模型性能的策略。可接受的评价指标可见上图。一个指标即传入字符串；多个指标传入列表。默认是None。refit：在多个score的情况下，模型在进行选择的时候，需要明确的scoring依据。
n_jobs：与并行运行相关，即可以提高搜索速度，取值为整数，默认为1，大于1的整数表示运行核数（但不能超过运行主机有的核数），取-1代表使用主机所有的核数。默认是None。cv：交叉验证的折数。默认是None，即5折。return_train_score：应该是控制是否返回得分。默认是False。
使用：
.fit：进行具体的搜索，且会返回搜索器实例本身信息；.best_estimator_：可以查看带有最优超参的搜索器的相关信息；.best_score_：可以查看当前最优超参情况下的得分；.best_params_：可以输出当前由最优的超参及其取值组成的字典。
# 引入网格搜索，找到最优模型
from sklearn.model_selection import GridSearchCV
SGDReg = SGDRegressor()
params = [
{'loss': ['squared_error'], 'penalty': ['l1', 'l2'], 'max_iter': [1000, 10000, 30000]}, # 第一组参数及其可选择的值
{'loss': ['epsilon_insensitive'], 'penalty': ['l1', 'l2'], 'max_iter': [1000, 10000, 30000]} # 第二组参数及其可选择的值
] # 根据所要搜索的模型，调整需要搜索的参数
scores = ['r2', 'neg_mean_squared_error']
best_SGDReg = GridSearchCV(SGDReg, param_grid=params, n_jobs=-1, scoring=scores, refit='neg_mean_squared_error')
best_SGDReg.fit(train_x, train_y)
完整代码如下：
import pandas as pd
from Data_processing_by_Pandas import mango_processing
from Regression_Model_evaluation import regression_evaluation_without_cross
from Regression_Model_evaluation import regression_evaluation_with_cross
# 读取数据
train = pd.read_csv('train.csv', nrows=50000)
print(train.describe())
train_target = train['fare_amount']
train_feature_before = train.drop(['key', 'fare_amount', 'pickup_datetime'], axis=1)
# 进行数据处理
train_feature = mango_processing(train_feature_before)
# 划分训练集与测试集
from sklearn.model_selection import train_test_split
train_x, test_x, train_y, test_y = train_test_split(train_feature, train_target, test_size=0.2, random_state=42)
# 引入网格搜索，找到最优模型
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import SGDRegressor
SGDReg = SGDRegressor()
params = [
{'loss': ['squared_error'], 'penalty': ['l1', 'l2'], 'max_iter': [1000, 10000, 30000]}, # 第一组参数及其可选择的值
{'loss': ['epsilon_insensitive'], 'penalty': ['l1', 'l2'], 'max_iter': [1000, 10000, 30000]} # 第二组参数及其可选择的值
] # 根据所要搜索的模型，调整需要搜索的参数
scores = ['r2', 'neg_mean_squared_error']
best_SGDReg = GridSearchCV(SGDReg, param_grid=params, n_jobs=-1, scoring=scores, refit='neg_mean_squared_error')
# 进行网格搜索
best_SGDReg.fit(train_x, train_y)
# 得到相关参数：
print(best_SGDReg.best_score_)
print(best_SGDReg.best_params_)
# 模型训练及预测：
# 将最优模型传入fare_SGD
fare_SGD = best_SGDReg.best_estimator_
fare_SGD.fit(train_x, train_y)
# 模型预测
train_result = fare_SGD.predict(train_x)
# 训练集预测结果评价(个人构建的模型，见上)
regression_evaluation_without_cross(train_y, train_result)
# 测试集交叉验证评价（个人构建的模型，见上）
regression_evaluation_with_cross(fare_SGD, train_x, train_y)
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）