头歌——机器学习——决策树案例

第1关：基于决策树模型的应用案例

任务描述

本关任务：使用决策树算法完成成人收入预测。

相关知识

为了完成本关任务，你需要掌握：1.数据特征处理，2.使用决策树算法完成成人收入预测。

数据处理及特征工程

本次任务我们将会使用成人数据集（来源于UCI数据集：UCI Machine Learning Repository ）,该数据集从美国1994年人口普查数据库中抽取而来，共48842条数据，涉及到收入统计，因此也称作"人口普查收入"数据集。该数据集可以通过对属性变量包括年龄、工种、学历、职业等14种信息来判断年收入是否超过50k。

首先，我们来了解一下我们的数据，从而进一步明确任务，并作出针对性的分析。人口普查收入数据集是一个分类问题，目的是用来预测年收入是否超过50k$，对应我们所需要的标签，这在数据集中以"<=50K"和">50K"来进行表示；除此之外，数据包含了用于判断该决定的相关信息，对应我们所需要的特征，这些特征一共有14个。特征与标签的表示如下：

age：年龄

workclass：工作类别

fnlwgt：序号

education：受教育程度

education-num：受教育时间

marital-status：婚姻状况

occupation：职业

relationship：社会角色

race：种族

sex：性别

capital-gain：资本收益

capital-loss：资本支出

hours-per-week：每周工作时间

native-country：国籍

salary：收入

我们可以通过以下代码，进行数据预览：

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from matplotlib.pyplot import MultipleLocator

import seaborn as sns

data_path ='/data/bigfiles/7db918ff-d514-49ea-8f6b-ea968df742e9'

df = pd.read_csv(data_path,header=None,names=['age', 'workclass', 'fnlwgt', 'education', 'education-num','marital-status','occupation','relationship','race','sex','capital-gain','capital-loss','hours-per-week','native-country','salary'])

对上述对数据的预览我们需要注意数据集中这样的几个问题：

字符型属性数据中是否存在缺失值，例如：'unknow'

部分特征为字符串格式，无法放到模型训练，后期需要该字段需要进行离散型特征编码

capital-gain capital-loss属性取值为0的占比75%以上考虑去除这两个属性

在分析出这些问题后我们使用代码逐步对数据进行处理：

# 去除字符串数值前面的空格

str_cols=[1,3,5,6,7,8,9,13,14]

for col in str_cols:

df.iloc[:,col]=df.iloc[:,col].map(lambda x: x.strip())

# 去除capital-gain, capital-loss特征属性

df.drop(['capital-gain','capital-loss'], axis=1, inplace=True)

#查找字符型属性缺失情况

for col in df.columns:

if df[col].dtype == object:

print("Percentage of \"unknown\" in %s：" %col ,df[df[col] == "unknown"][col].count(),"/",df[col].count())

经过这些过程，我们的数据处理便结束了，我们接下来使用处理后的数据进行决策树分类器训练和预测。

决策树分类器完成成人收入预测之训练

从上述的数据分析，我们可以得知我们所要解决的是一个二分类问题，由已知的特征来推断结果的取值（0或者1），根据上节决策树的相关知识，我们开始构建模型训练及预测。 sklearn做为一个强大机器学习工具，为我们提供了决策树的函数接口。不仅如此，我们还可以使用它进行训练集和测试集的划分。下面我们便使用该工具完成上述数据集的训练，来探究各特征与预测结果之间存在的内在联系。我们的训练过程将包含以下几个方面：

数据处理

训练测试集的划分,函数 sklearn.model_selection.train_test_split

模型训练函数
sklearn.tree.DecisionTreeClassifier

下面是部分关键代码：

import numpy as np

import pandas as pd

from sklearn.tree import DecisionTreeClassifier, export_graphviz # 导入决策树模型

from sklearn.model_selection import train_test_split # 导入数据集划分模块

import matplotlib.pyplot as plt

# 数据的读入与处理

# 去除fnlwgt, capital-gain, capital-loss,特征属性

df.drop(['fnlwgt','capital-gain','capital-loss'], axis=1, inplace=True)

# 将特征采用哑变量进行编码，字符型特征经过转化可以进行训练

features=pd.get_dummies(df.iloc[:,:-1])

# 将label编码

df['salary'] = df['salary'].replace(to_replace=['<=50K', '>50K'], value=[0, 1])

labels=df.loc[:,'salary']

# 使用train_test_split按4：1的比例划分训练和测试集

# 使用DecisionTreeClassifier构建模型

#对训练集X_train训练

决策树分类器完成成人收入预测之预测及评价

上述的训练过程中我们只能大概看出模型对训练结果的拟合程度，我们还需要使用一系列指标在测试集上进行模型的衡量。分类模型的一般评价有如下几种方式：

准确率acc

精准率pre

召回率recall

f1-Score

auc曲线

这几个指标可由混淆矩阵计算得到，我们先来看一下混淆矩阵的产生，它是由预测结果和标签值进行计算得到的，如下图所示：

下面我们使用混淆矩阵进行这几个指标的说明：

准确率：Accuracy = (TP+TN)/(TP+FN+FP+TN)

解释：(预测正确)/(预测对的和不对的所有结果)，即预测正确的比例。

API：score()方法返回的就是模型的准确率
精确率:Precision = TP/(TP+FP)

解释：预测结果为正例样本（TP+FP）中真实值为正例（TP）的比例。

API:accuracy_score
召回率:Recall = TP/(TP+FN)

解释：真正为正例的样本中预测结果为正例的比例。正样本有多少被找出来了（召回了多少）

API:recall_score
综合精确率和召回率的指标 :f1-score：f1=2P∗R/(P+R) 解释：F1分数（F1-score）是分类问题的一个衡量指标，f1-score是精确率和召回率的调和平均数，最大为1，最小为0 。

API:f1_score
AUC:ROC曲线下的面积

解释：在理想情况下，最佳的分类器应该尽可能地处于左上角，这就意味着分类器在伪反例率（预测错的概率FPR = FP / (FP + TN)）很低的同时获得了很高的真正例率（预测对的概率TPR = TP / (TP + FN)）。也就是说ROC曲线围起来的面积越大越好，因为ROC曲线面积越大，则曲线上面的面积越小，则分类器越能停留在ROC曲线的左上角。

编程要求

根据提示，在右侧编辑器补充代码，实现使用决策树进行成人收入预测，包括：

数据处理

模型训练

模型预测

测试指标计算，并打印aou的值，函数：
print("auc的值：{}".format(auc))

测试说明

平台会对你编写的代码进行测试：

预期输出：

提示： 参照示例完成任务

`第1关任务------代码题`

python 复制代码

import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeClassifier, export_graphviz # 导入决策树模型
from sklearn.model_selection import train_test_split  # 导入数据集划分模块
import matplotlib.pyplot as plt
from sklearn.metrics import roc_auc_score
from sklearn.metrics import classification_report

# 数据的读入与处理
data_path ='/data/bigfiles/7db918ff-d514-49ea-8f6b-ea968df742e9'
df = pd.read_csv(data_path,header=None,names=['age', 'workclass', 'fnlwgt', 'education', 'education-num','marital-status','occupation','relationship','race','sex','capital-gain','capital-loss','hours-per-week','native-country','income'])

# 去除字符串数值前面的空格
df = df.applymap(lambda x: x.strip() if isinstance(x, str) else x)

# 去除fnlwgt, capital-gain, capital-loss,特征属性
df.drop(['fnlwgt','capital-gain','capital-loss'], axis=1, inplace=True)

# 将特征采用哑变量进行编码，字符型特征经过转化可以进行训练
features=pd.get_dummies(df.iloc[:,:-1])

# 将label编码
df['income'] = df['income'].map({'<=50K': 0, '>50K': 1})

# 按4：1的比例划分训练和测试集
X_train, X_test, y_train, y_test = train_test_split(features, df['income'], test_size=0.2, random_state=1)

# 构建模型
clf = DecisionTreeClassifier(criterion='entropy',max_depth=6,random_state=17)

#对训练集X_train训练
clf.fit(X_train, y_train)

#对于测试集x_test进行预测
x_pre_test = clf.predict(X_test)

# 其他指标计算
print(classification_report(y_test, x_pre_test))

# 预测测试集概率值
x_pre_test_proba = clf.predict_proba(X_test)[:, 1]

#计算验证集的auc值，参数为预测值和概率估计
auc = roc_auc_score(y_test, x_pre_test_proba)
print("auc的值：{}".format(auc))