机器学习框架解析.docx
《机器学习框架解析.docx》由会员分享,可在线阅读,更多相关《机器学习框架解析.docx(11页珍藏版)》请在冰豆网上搜索。
机器学习框架解析
机器学习框架解析
数据科学家AbhishekThakur,在他的Linkedin发表了一篇文章 Approaching(Almost)AnyMachineLearningProblem,介绍他建立的一个自动的机器学习框架,几乎可以解决任何机器学习问题,项目很快也会发布出来。
这篇文章迅速火遍Kaggle,据说数据科学家60-70%的时间都花在数据清洗和应用模型算法上面,这个框架主要针对算法的应用部分。
什么是Kaggle?
Kaggle是一个数据科学竞赛的平台,很多公司会发布一些接近真实业务的问题,吸引爱好数据科学的人来一起解决,可以通过这些数据积累经验,提高机器学习的水平。
应用算法解决Kaggle问题,一般有以下几个步骤:
∙第一步:
识别问题
∙第二步:
分离数据
∙第三步:
构造提取特征
∙第四步:
组合数据
∙第五步:
分解
∙第六步:
选择特征
∙第七步:
选择算法进行训练
当然,工欲善其事,必先利其器,要先把工具和包都安好。
最方便的就是安装Anaconda,这里面包含大部分数据科学所需要的包,直接引入就可以了,常用的包有:
∙pandas:
常用来将数据转化成dataframe形式进行操作
∙scikit-learn:
里面有要用到的机器学习算法模型
∙matplotlib:
用来画图
∙xgboost,keras,tqdm等。
第一步:
识别问题
在这一步先明确这个问题是分类还是回归。
通过问题和数据就可以判断出来,数据由X和label列构成,label可以一列也可以多列,可以是二进制也可以是实数,当它为二进制时,问题属于分类,当它为实数时,问题属于回归。
第二步:
分离数据
为什么需要将数据分成两部分?
用TrainingData来训练模型,用ValidationData来检验这个模型的表现,不然的话,通过各种调节参数,模型可以在训练数据集上面表现的非常出色,但是这可能会是过拟合,过拟合就是太依赖现有的数据了,拟合的效果特别好,但是只适用于训练集,以致于来一个新的数据,就不知道该预测成什么了。
所以需要有Validation来验证一下,看这个模型是在那里自娱自乐呢,还是真的表现出色。
在scikitlearn包里就有工具可以帮你做到这些:
分类问题用StrtifiedKFold
fromsklearn.cross_validationimportStratifiedKFold
回归问题用KFold
fromsklearn.cross_validationimportKFold
第三步:
构造特征
这个时候,需要将数据转化成模型需要的形式。
数据有三种类型:
数字,类别,文字。
当数据是类别的形式时,需要将它的每一类提取出来作为单独一列,然后用二进制表示每条记录相应的值。
例如:
record1:
性别女
record2:
性别女
record3:
性别男
转化之后就是:
女男
record1:
1 0
record2:
1 0
record3:
0 1
这个过程sklearn也可以帮你做到:
fromsklearn.preprocessingimportLabelEncoder
或者
fromsklearn.preprocessingimportOneHotEncoder
第四步:
组合数据
处理完Feature之后,就将它们组合到一起。
如果数据是稠密的,就可以用numpy的hstack:
importnumpyasnp
X=np.hstack((x1,x2,...))
如果是稀疏的,就用sparse的hstack:
fromscipyimportsparse
X=sparse.hstack((x1,x2,...))
组合之后,就可以应用以下算法模型:
∙RandomForestClassifier
∙RandomForestRegressor
∙ExtraTreesClassifier
∙ExtraTreesRegressor
∙XGBClassifier
∙XGBRegressor
但是不能应用线性模型,线性模型之前需要对数据进行正则化而不是上述预处理。
第五步:
分解
这一步是为了进一步优化模型,可以用以下方法:
PCA:
Principalcomponentsanalysis,主成分分析,是一种分析、简化数据集的技术。
用于减少数据集的维数,同时保持数据集中的对方差贡献最大的特征。
fromsklearn.decompositionimportPCA
对于文字数据,在转化成稀疏矩阵之后,可以用SVD
fromsklearn.decompositionimportTruncatedSVD
SVD:
SingularValueDecomposition,奇异值分解,是线性代数中一种重要的矩阵分解,它总能找到标准化正交基后方差最大的维度,因此用它进行降维去噪。
第六步:
选择特征
当特征个数越多时,分析特征、训练模型所需的时间就越长,容易引起“维度灾难”,模型也会越复杂,推广能力也会下降,所以需要剔除不相关或亢余的特征。
常用的算法有完全搜索,启发式搜索,和随机算法。
例如,RandomForest:
fromsklearn.ensembleimportRandomForestClassifier
或者xgboost:
importxgboostasxgb
对于稀疏的数据,比较有名的方法是chi-2:
fromsklearn.feature_selectionimportSelectKBest
fromsklearn.feature_selectionimportchi2
第七步:
选择算法进行训练
选择完最相关的参数之后,接下来就可以应用算法,常用的算法有:
Classification:
∙RandomForest
∙GBM
∙LogisticRegression
∙NaiveBayes
∙SupportVectorMachines
∙k-NearestNeighbors
Regression:
∙RandomForest
∙GBM
∙LinearRegression
∙Ridge
∙Lasso
∙SVR
在scikit-learn里可以看到分类和回归的可用的算法一览,包括它们的原理和例子代码。
在应用各算法之前先要明确这个方法到底是否合适。
为什么那么多算法里,只提出这几个算法呢,这就需要对比不同算法的性能了。
这篇神文 DoweNeedHundredsofClassifierstoSolveRealWorldClassificationProblems 测试了179种分类模型在UCI所有的121个数据上的性能,发现RandomForests和SVM性能最好。
我们可以学习一下里面的调研思路,看看是怎么样得到比较结果的,在我们的实践中也有一定的指导作用。
但是直接应用算法后,一般精度都不是很理想,这个时候需要调节参数,最干货的问题来了,什么模型需要调节什么参数呢?
虽然在sklearn的文档里,会列出所有算法所带有的参数,但是里面并不会说调节哪个会有效。
在一些mooc课程里,有一些项目的代码,里面可以看到一些算法应用时,他们重点调节的参数,但是有的也不会说清楚为什么不调节别的。
这里作者根据他100多次比赛的经验,列出了这个表,我觉得可以借鉴一下,当然,如果有时间的话,去对照文档里的参数列表,再查一下算法的原理,通过理论也是可以判断出来哪个参数影响比较大的。
调参之后,也并不就是大功告成,这个时候还是需要去思考,是什么原因造成精度低的,是哪些数据的深意还没有被挖掘到,这个时候需要用统计和可视化去再一次探索数据,之后就再走一遍上面的过程。
我觉得这里还提到了很有用的一条经验是,把所有的transformer都保存起来,方便在validation数据集上面应用:
文章里介绍了分析问题的思路,还提到了几条很实用的经验,不过经验终究是别人的经验,只能借鉴,要想提高自己的水平,还是要看到作者背后的事情,就是参加了100多次实战,接下来就去行动吧,享受用算法和代码与数据燃起的兴奋吧。