1、机器学习框架解析机器学习框架解析数据科学家Abhishek Thakur,在他的 Linkedin 发表了一篇文章Approaching (Almost) Any Machine Learning Problem,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
2、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
3、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Training Data来训练模型,用Validation Data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
4、呢,还是真的表现出色。在 scikit learn 包里就有工具可以帮你做到这些:分类问题用 StrtifiedKFoldfrom sklearn.cross_validation import StratifiedKFold回归问题用 KFoldfrom sklearn.cross_validation import KFold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:record 1:性别 女record 2:性别 女record 3:性别
5、男转化之后就是:女 男record 1:1 0record 2:1 0record 3:0 1这个过程 sklearn 也可以帮你做到:from sklearn.preprocessing import LabelEncoder或者from sklearn.preprocessing import OneHotEncoder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:import numpy as npX = np.hstack(x1, x2, .)如果是稀疏的,就用 sparse 的 hstack:from sc
6、ipy import sparseX = 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:Principal components analysis,主成分分析,是一种分析、简化数据集的技术。用于减少数据
7、集的维数,同时保持数据集中的对方差贡献最大的特征。from sklearn.decomposition import PCA对于文字数据,在转化成稀疏矩阵之后,可以用 SVDfrom sklearn.decomposition import TruncatedSVDSVD:Singular Value Decomposition,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
8、的算法有完全搜索,启发式搜索,和随机算法。例如,Random Forest:from sklearn.ensemble import RandomForestClassifier或者 xgboost:import xgboost as xgb对于稀疏的数据,比较有名的方法是chi-2:from sklearn.feature_selection import SelectKBestfrom sklearn.feature_selection import chi2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: Random F
9、orest GBM Logistic Regression Naive Bayes Support Vector Machines k-Nearest NeighborsRegression: Random Forest GBM Linear Regression Ridge Lasso SVR在scikitlearn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Do we Need Hundreds of Classifiers to Solve Re
10、al World Classification Problems测试了179种分类模型在UCI所有的121个数据上的性能,发现Random Forests 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
11、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。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1