✅ 今日目标
- 回顾整个本周数据分析 & 建模流程
- 学会训练第二种模型：决策树（Decision Tree）
- 掌握多模型对比评估的方法与实践
- 输出综合对比报告：准确率、精确率、召回率、F1 等指标
- 为后续模型调优与扩展打下基础
🪜 一、本周流程快速回顾
| 步骤 | 内容 |
|---|---|
| 第1天 | 高级数据操作（索引、透视、变形） |
| 第2天 | 缺失值和异常值处理 |
| 第3天 | 多表合并与连接 |
| 第4天 | 特征工程（编码、归一化、时间） |
| 第5天 | 数据集拆分（训练集 / 测试集） |
| 第6天 | 逻辑回归模型构建与评估 |
| 第7天 | 🤖 多模型对比评估（今天） |
🌲 二、训练决策树分类器
python
from sklearn.tree import DecisionTreeClassifier
tree = DecisionTreeClassifier(random_state=42)
tree.fit(X_train, y_train)
y_pred_tree = tree.predict(X_test)⚖️ 三、模型对比评估
python
from sklearn.metrics import classification_report
print("📋 Logistic 回归：")
print(classification_report(y_test, y_pred_log))
print("📋 决策树模型：")
print(classification_report(y_test, y_pred_tree))📊 可视化对比（可选）
python
import matplotlib.pyplot as plt
models = ["Logistic", "DecisionTree"]
accuracies = [
accuracy_score(y_test, y_pred_log),
accuracy_score(y_test, y_pred_tree),
]
plt.bar(models, accuracies, color=["skyblue", "lightgreen"])
plt.title("模型准确率对比")
plt.ylabel("Accuracy")
plt.show()🧪 今日练习建议（脚本名：compare_models.py）
-
读取本周生成的训练 / 测试数据
-
同时训练逻辑回归与决策树模型
-
输出各自的评估指标（Accuracy、Precision、Recall、F1）
-
（可选）将结果写入一个 CSV 或图表可视化
-
思考不同模型优劣，以及如何选择合适模型
python# compare_models.py import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import ( accuracy_score, classification_report, confusion_matrix ) import matplotlib.pyplot as plt import seaborn as sns import os plt.rcParams['font.family'] = 'Arial Unicode MS' # Mac 用户可用 plt.rcParams['axes.unicode_minus'] = False # 1. 加载训练与测试数据 data_dir = "data/model" X_train = pd.read_csv(os.path.join(data_dir, "X_train.csv")) X_test = pd.read_csv(os.path.join(data_dir, "X_test.csv")) y_train = pd.read_csv(os.path.join(data_dir, "y_train.csv")).values.ravel() y_test = pd.read_csv(os.path.join(data_dir, "y_test.csv")).values.ravel() # 2. 初始化模型 log_model = LogisticRegression() tree_model = DecisionTreeClassifier(random_state=42) # 3. 模型训练 log_model.fit(X_train, y_train) tree_model.fit(X_train, y_train) # 4. 模型预测 y_pred_log = log_model.predict(X_test) y_pred_tree = tree_model.predict(X_test) # 5. 评估结果 print("📋 Logistic 回归评估报告：") print(classification_report(y_test, y_pred_log)) print("\n🌳 决策树评估报告：") print(classification_report(y_test, y_pred_tree)) # 6. 准确率对比 acc_log = accuracy_score(y_test, y_pred_log) acc_tree = accuracy_score(y_test, y_pred_tree) # 7. 可视化混淆矩阵 plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) sns.heatmap(confusion_matrix(y_test, y_pred_log, labels=[0, 1]), annot=True, fmt="d", cmap="Blues", xticklabels=["0", "1"], yticklabels=["0", "1"]) plt.title("Logistic 回归 - 混淆矩阵") plt.xlabel("预测", fontproperties="Arial Unicode MS") plt.ylabel("真实", fontproperties="Arial Unicode MS") plt.subplot(1, 2, 2) sns.heatmap(confusion_matrix(y_test, y_pred_tree, labels=[0, 1]), annot=True, fmt="d", cmap="Greens", xticklabels=["0", "1"], yticklabels=["0", "1"]) plt.title("决策树 - 混淆矩阵") plt.xlabel("预测", fontproperties="Arial Unicode MS") plt.ylabel("真实", fontproperties="Arial Unicode MS") plt.tight_layout() plt.show() # 8. 准确率柱状图 plt.figure(figsize=(5, 4)) plt.bar(["Logistic", "Decision Tree"], [acc_log, acc_tree], color=["skyblue", "lightgreen"]) plt.title("模型准确率对比") plt.ylabel("Accuracy") plt.ylim(0, 1) plt.grid(axis='y', linestyle='--', alpha=0.7) plt.tight_layout() plt.show() # 9. 汇总结果（可选保存） results_df = pd.DataFrame({ "模型": ["Logistic", "Decision Tree"], "准确率": [acc_log, acc_tree] }) os.makedirs("data/result", exist_ok=True) results_df.to_csv("data/result/model_comparison.csv", index=False) print("\n✅ 对比结果已保存：data/result/model_comparison.csv")结果输出：
python📋 Logistic 回归评估报告： precision recall f1-score support 0 1.00 1.00 1.00 7 1 1.00 1.00 1.00 13 accuracy 1.00 20 macro avg 1.00 1.00 1.00 20 weighted avg 1.00 1.00 1.00 20 🌳 决策树评估报告： precision recall f1-score support 0 1.00 1.00 1.00 7 1 1.00 1.00 1.00 13 accuracy 1.00 20 macro avg 1.00 1.00 1.00 20 weighted avg 1.00 1.00 1.00 20 ✅ 对比结果已保存：data/result/model_comparison.csv可视化混淆矩阵:
准确率柱状图:
data/result/model_comparison.csv：
PS：可以使用下面的代码生成训练/测试集：pythonimport pandas as pd import numpy as np from sklearn.model_selection import train_test_split import os # 构造示例数据 np.random.seed(42) size = 100 df = pd.DataFrame({ "成绩": np.random.randint(40, 100, size=size), "性别": np.random.choice(["男", "女"], size=size) }) # 增加派生特征 df["成绩_标准化"] = (df["成绩"] - df["成绩"].mean()) / df["成绩"].std() df["是否及格_数值"] = (df["成绩"] >= 60).astype(int) df["性别_男"] = (df["性别"] == "男").astype(int) df["性别_女"] = (df["性别"] == "女").astype(int) # 特征与标签 X = df[["成绩_标准化", "性别_男", "性别_女", "是否及格_数值"]] y = df["是否及格_数值"] # 拆分数据 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 保存路径 os.makedirs("data/model", exist_ok=True) X_train.to_csv("data/model/X_train.csv", index=False) X_test.to_csv("data/model/X_test.csv", index=False) y_train.to_csv("data/model/y_train.csv", index=False) y_test.to_csv("data/model/y_test.csv", index=False)
🧾 今日总结
- 理解模型评估不止准确率，更要看精确率与召回率
- 决策树可捕捉非线性关系，但易过拟合
- 模型选择应结合业务背景、样本数量、可解释性等因素