机器学习框架解析.docx

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。