机器学习实用指南(三)：一个完整的机器学习项目【下】
作者：LeonG
本文参考自：《Hands-On Machine Learning with Scikit-Learn & TensorFlow 机器学习实用指南》，感谢中文AI社区ApacheCN提供翻译。
本文全部代码和数据集保存在我的github-----LeonG的github
1.回顾
在上一节，我们从网络上获取了数据：housing
然后将数据分为训练集strat_train_set和测试集strat_test_set
将训练标签也就是房价单独分离housing_labels
最后分析了训练集的一些规律，针对这个数据集制作了一个数据整理工具full_pipeline，将训练集strat_train_set转为housing_prepared。
经过这些步骤，我们的训练模型只需要输入训练数据housing_prepared和训练标签housing_labels，就可以得到训练好的模型了。
2.训练模型
接下来我们要尝试几种机器学习的算法模型：线性回归模型、决策树模型、随机森林模型。
提示：这些算法模型的具体原理和细节在以后的章节会详细解析，本章只是简单的使用，不用担心不看懂。
2.1线性回归模型
我们先来训练一个线性回归模型，借助sklearn中的LinearRegression类来实现：
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
#输入训练数据进行训练
lin_reg.fit(housing_prepared,housing_labels)
只需要这样简单的三行操作就能训练完一个线性回归模型。
现在使用训练集中的前五行来验证：
#取前五行数据
some_data = housing.iloc[:5]
some_labels = housing_labels.iloc[:5]
#对这些数据进行预测（代入到训练好的模型中计算出预测房价）
some_data_prepared = full_pipeline.transform(some_data)
#模型的预测值
print("Predictions:\t", lin_reg.predict(some_data_prepared))
#数据集的标签值
print("Labels:\t\t", list(some_labels))
Predictions: [210644.60 317768.80 210956.43 59218.98 189747.55]
Labels: [286600.0, 340600.0, 196900.0, 46300.0, 254500.0]
可以看出数据之间差距还是比较大的，我们计算一下这个回归模型的RMSE
RMSE是均方根误差：
均方根误差的意义大概可以理解为：预测值和实际值的平均差距
当然，我们也不需要手动写公式，直接让sklearn来帮我们算：
from sklearn.metrics import mean_squared_error
#计算出训练集的所有预测值
housing_predictions = lin_reg.predict(housing_prepared)
#计算线性模型的预测值和实际值的均方误差
lin_mse = mean_squared_error(housing_labels, housing_predictions)
#均方根误差=均方误差开方
lin_rmse = np.sqrt(lin_mse)
lin_rmse
68628.19819848923
计算得出线性回归模型的均方根误差很大，这样肯定不行。
结论：对于该数据集来说，线性回归模型是一个欠拟合模型。
2.2决策树模型
修复欠拟合的主要方法是选择一个更强大的模型，接下来试试决策树模型。
决策树模型可以发现数据中复杂的非线性关系。借助sklearn中的DecisionTreeRegressor类来实现：
from sklearn.tree import DecisionTreeRegressor
tree_reg = DecisionTreeRegressor()
#输入训练数据进行训练
tree_reg.fit(housing_prepared, housing_labels)
这次不取前五行测试了，直接计算这个模型的RMSE：
#计算出训练集的所有预测值
housing_predictions = tree_reg.predict(housing_prepared)
#计算决策树模型的预测值和实际值的均方误差
tree_mse = mean_squared_error(housing_labels, housing_predictions)
#均方根误差=均方误差开方
tree_rmse = np.sqrt(tree_mse)
tree_rmse
0.0
咦，没有误差？这个模型是绝对完美的吗？不对，这是因为模型严重的拟合数据，任何一条训练数据都能得到对应的训练标签。
结论：对于该数据集来说，决策树模型是一个过拟合模型。
3.交叉验证
如何验证模型的真实水平呢？在确定模型之前，我们都不要碰测试集，所以需要用训练集的部分数据来做训练，接下来使用交叉验证法。
3.1K折交叉验证法
K折交叉验证法：将数据集分为K份，称为折，每次用其中一个折作为测试集来计算误差，经过K次计算后求出一组长度为K的误差值，这组误差的平均值就是交叉验证得出的误差值。
我们将K设置为10：
借助sklearn可以很简单的实现验证：
from sklearn.model_selection import cross_val_score
#总共有五个参数，第一个是模型，2和3是数据，scoring指定了计算方式，cv是K值
scores = cross_val_score(tree_reg, housing_prepared, housing_labels,
scoring="neg_mean_squared_error", cv=10)
#score是效用函数计算得出的，实际上和均方误差相反，所以要加上负号
tree_rmse_scores = np.sqrt(-scores)
设置一个输出函数来查看具体情况：
def display_scores(scores):
#均方误差，一共十个
print("Scores:", scores)
#平均的均方误差
print("Mean:", scores.mean())
#均方误差的标准差
print("Standard deviation:", scores.std())
display_scores(tree_rmse_scores)
Scores: [67649.82 67698.67 71079.28 69445.09 71808.23
73827.59 71111.46 71243.31 75630.03 70498.20]
Mean: 70999.17217565424
Standard deviation: 2344.261017051602
可以看出，决策树模型并没有那么好用，甚至比线性回归模型还糟糕。
交叉验证不仅可以得到模型性能的评估，还能测量评估的准确性（标准差）。决策树的误差大概是71000，波动幅度±2300。
3.2随机森林模型
上述两个模型误差都很大，现在使用随机森林模型。
这个模型的名字很有意思，如果将决策树看做是一棵树的话，随机森林就是随机组合一些属性来训练许多决策树，在其他多个模型之上建立模型成为集成学习 。借助sklearn中的RandomForestRegressor类来实现：
from sklearn.ensemble import RandomForestRegressor
forest_reg = RandomForestRegressor()
#输入训练数据进行训练
forest_reg.fit(housing_prepared,housing_labels)
#计算交叉验证误差
scores = cross_val_score(forest_reg, housing_prepared, housing_labels,
scoring="neg_mean_squared_error", cv=10)
#score是效用函数计算得出的，实际上和均方误差相反，所以要加上负号
forest_rmse_scores = np.sqrt(-scores)
display_scores(forest_rmse_scores)
Scores: [51066.82 50166.73 52755.29 55534.63 51963.35
54194.03 52341.03 50770.49 54823.32 52582.53]
Mean: 52619.825856487405
Standard deviation: 1679.5101421709217
看起来效果比上面两个模型都要好，实际上我们应该多测试几个模型，比如不同核心的支持向量机、神经网络等等，目标是列出可以使用模型的列表。做完之后就是对模型的微调了。
4.模型微调
调整什么呢，调整超参数，超参数是什么，超参数就是不能通过学习来自动调整的参数。比如学习率，神经网络的层数等等。
在机器学习中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。
超参数的一些示例：
- 树的数量或树的深度
- 矩阵分解中潜在因素的数量
- 学习率（多种模式）
- 深层神经网络隐藏层数
- k均值聚类中的簇数
4.1网格搜索
网格搜索的意思很简单，为几个超参数设定一个范围取值，逐一搜索最佳组合的方式就是网格搜索。
我们借助SKlearn中的GridSearchCV来自动完成搜索工作。
你所需要做的是告诉 GridSearchCV 要试验有哪些超参数，要试验什么值， GridSearchCV 就能用交叉验证试验所有可能超参数值的组合。例如，下面的代码搜索了随机森林模型超参数值的最佳组合：
from sklearn.model_selection import GridSearchCV
param_grid = [
#字典1：尝试3×4=12种组合
{'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]},
#字典2：尝试1×2×3=6种组合
{'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]},
]
forest_reg = RandomForestRegressor()
#定义一个网格搜索，采用5折交叉验证法，判断标准是均方误差
grid_search = GridSearchCV(forest_reg, param_grid, cv=5,scoring='neg_mean_squared_error')
#使用这些组合来训练随机森林
grid_search.fit(housing_prepared, housing_labels)
#输出最佳超参数组合
grid_search.best_params_
#输出最佳模型
grid_search.best_estimator_
{'max_features': 8, 'n_estimators': 30}
RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,
max_features=8, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=30,
n_jobs=None, oob_score=False, random_state=None,
verbose=0, warm_start=False)
两个搜索组合，第一个组合有12种情况，第二个组合有6种情况，一共18种情况，因为是五折交叉验证，所以，一共要进行18×5=90轮训练！完成后，就能返回超参数的最佳组合best_params_ 和最佳模型best_estimator_。
我们还可以查看网格搜索中每一个属性组合的得分情况：
cvres = grid_search.cv_results_
#输出超参数组合对应的得分情况
for mean_score, params in zip(cvres["mean_test_score"], cvres["params"]):
print(np.sqrt(-mean_score), params)
65092.02010981559 {'max_features': 2, 'n_estimators': 3}
55359.4496463199 {'max_features': 2, 'n_estimators': 10}
52556.54068544674 {'max_features': 2, 'n_estimators': 30}
59605.3135515846 {'max_features': 4, 'n_estimators': 3}
53164.81127753654 {'max_features': 4, 'n_estimators': 10}
50676.9400303366 {'max_features': 4, 'n_estimators': 30}
59477.454981964 {'max_features': 6, 'n_estimators': 3}
52493.72219849825 {'max_features': 6, 'n_estimators': 10}
50129.58037046355 {'max_features': 6, 'n_estimators': 30}
58975.88486428257 {'max_features': 8, 'n_estimators': 3}
51999.19103564533 {'max_features': 8, 'n_estimators': 10}
49948.7230892116 {'max_features': 8, 'n_estimators': 30}
61188.21752051931 {'bootstrap': False, 'max_features': 2, 'n_estimators': 3}
54352.52617644768 {'bootstrap': False, 'max_features': 2, 'n_estimators': 10}
60598.83975833867 {'bootstrap': False, 'max_features': 3, 'n_estimators': 3}
52874.9435481527 {'bootstrap': False, 'max_features': 3, 'n_estimators': 10}
59428.43938347719 {'bootstrap': False, 'max_features': 4, 'n_estimators': 3}
52007.58232013096 {'bootstrap': False, 'max_features': 4, 'n_estimators': 10}
可以看出{'max_features': 8, 'n_estimators': 30}这个超参数组合得分最高，我们成功的使用网格搜索法调整了超参数值，将误差值从52619降低到49948。
4.2其他方法
网格搜索看起来就是穷举法，穷举的方式在组合数少的情况下还能用，组合多的话最好使用随机搜索RandomizedSearchCV，虽然不会尝试所有的组合，但是能抽取更多完全不同的组合情况，还能方便的设定搜索次数，控制计算量。
还有一种方法是集成法，将几个不同的最佳模型组合起来使用，这个方法在后面的章节深入讲解。
5.测试模型
现在，我们可以测试一下调整好的模型了。
测试集也要进行处理，类比本章第一节的操作：
-
将测试数据分为两个测试数据
X_test和测试标签y_test。 -
将测试数据进行数据整理将
X_test转为X_test_prepared，注意，这里使用tranform函数而不是fit_transform函数。
最后对测试集进行预测，计算预测值和实际值的均方根误差就能得到最终的误差效果。
#获得最佳的模型
final_model = grid_search.best_estimator_
#分割测试数据和测试标签
X_test = strat_test_set.drop("median_house_value", axis=1)
y_test = strat_test_set["median_house_value"].copy()
#将测试数据进行整理(使用transform函数)
X_test_prepared = full_pipeline.transform(X_test)
#计算预测值
final_predictions = final_model.predict(X_test_prepared)
#计算预测值和测试标签的均方误差
final_mse = mean_squared_error(y_test, final_predictions)
#计算最终的均方根误差
final_rmse = np.sqrt(final_mse)
48154.525254070046
得出该模型的均方根误差为48154。
至此，我们机器学习项目的开发阶段就算告一段落了。
最后，就是项目的预上线了，我们需要向万达集团展示具体实施方案，然后给自己倒上一杯卡布奇诺。
希望这一章能告诉你机器学习项目是什么样的，你能用学到的工具训练一个好系统。
你已经看到，大部分的工作是数据准备步骤、搭建监测工具、建立人为评估的流水线和自动化定期模型训练。
当然，最好能了解整个过程、熟悉三或四种算法，而不是在探索高级算法上浪费全部时间，导致在全局上的时间不够。 因此，如果你还没做，现在最好拿起台电脑，选择一个感兴趣的数据集，将整个流程从头到尾完成一遍。
讲实话，能坚持学到这里的朋友，真的很优秀。学完了这一章，你的机器学习之路已经成功了一半。
接下来我们会对机器学习的各种算法进行具体的学习和实践。
欢迎来我的博客留言讨论，我的博客主页：LeonG的博客
本文参考自：《Hands-On Machine Learning with Scikit-Learn & TensorFlow机器学习实用指南》，感谢中文AI社区ApacheCN提供翻译。
版权声明：本文为博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。
最后编辑于：2024-08-25 10:33:47
© 著作权归作者所有,转载或内容合作请联系作者
喜欢的朋友记得点赞、收藏、关注哦！！！