1. 集成学习基础介绍
1） 概念：
通过构建并结合多个模型来共同完成学习任务
2） 流程：
①构建多个子学习器
②使用某种集成策略将模型集成
③完成学习任务
3） 目的：
通过集成，提高多个子学习器的模型泛化能力（组成一个团队，实现1+1>2）
4） 子学习器筛选原则：
每个子学习器都要有一定的准确性（团队内部人员各司其职）
子学习器之间要保持相对独立性和多样性（分工明确，尽量不做重复的事情）
5）Bagging：并行式集成学习
基本原理：同时训练多个子学习机，分别对y进行预测，最后所有子学习机以投票的形式（分类问题），或者均值的形式（回归问题），返回集成的预测结果
子学习器的构建策略：
对样本按一定比例有放回的抽样，抽出m个样本子集，然后构建m个子学习器分别在m个样本子集上进行训练
策略选择：投票法或者均值法
代表模型：随机森林
子学习器：决策树模型
子学习器构建方法：按一定比例对样本和特征有放回的抽样，抽取的m个特征和样本都存在差异的样本子集，再在这m个子集上训练m个决策树模型
集成方法：分类问题采用投票法返回预测结果，回归采用均值法返回预测结果
6） Boosting：提升式集成学习
基本原理：先训练一个子学习机，再计算子学习机的误差或者残差，并以此作为下一个学习机的输入，之后不断迭代重复整个过程，是的模型损失函数不断减小
Gradient Boosting梯度提升算法：
根据当前模型损失函数的负梯度信息来训练新加入的子学习器，然后将所有训练好的自学习器以累加的形式混合到最终模型中
集大成者（代表模型）：XGBOOST
基本思想：Gradient Boosting梯度提升
防止过拟合：加入L1和L2正则系数
子学习器：决策树模型（CART）、线性回归、线性分类器
集成策略：在传统梯度提升模型的基础上，融入随机森林模型对子学习器训练样本和特征进行随机取样的策略
优化方法：同时使用损失函数一阶、二阶导数信息，加快优化速度
工程优化：提高训练效率，支持并行计算
2. 随机森林模型代码实现
2.1 加载数据
和之前的操作是一致的，直接copy过来即可
# 数据读取以及xy提取
import pandas as pd
import matplotlib.pyplot as plt
import os
os.chdir(r'C:\Users\86177\Desktop')
# 样例数据读取
df = pd.read_excel('realestate_sample_preprocessed.xlsx')
# 根据共线性矩阵，保留与房价相关性最高的日间人口，将夜间人口和20-39岁夜间人口进行比例处理
def age_percent(row):
if row['nightpop'] == 0:
return 0
else:
return row['night20-39']/row['nightpop']
df['per_a20_39'] = df.apply(age_percent,axis=1)
df = df.drop(columns=['nightpop','night20-39'])
# 制作标签变量
price_median = df['average_price'].median()
print(price_median)
df['is_high'] = df['average_price'].map(lambda x: True if x>= price_median else False)
print(df['is_high'].value_counts())
# 数据集基本情况查看
print(df.shape)
print(df.dtypes)
# 划分数据集
x = df[['complete_year','area', 'daypop', 'sub_kde',
'bus_kde', 'kind_kde','per_a20_39']]
y = df['is_high']
print(x.shape)
print(y.shape)
–> 输出的结果为：
30273.0
True 449
False 449
Name: is_high, dtype: int64
(898, 10)
id int64
complete_year int64
average_price float64
area float64
daypop float64
sub_kde float64
bus_kde float64
kind_kde float64
per_a20_39 float64
is_high bool
dtype: object
(898, 7)
(898,)
2.2 划分验证集和测试集
这里使用留出法，按照0.75:0.25进行划分，这里x_train和x_test的选择方式和之前不一样，这里是直接选择符合的特征，之前是去掉不要的特征
from sklearn.model_selection import train_test_split
# 将数据集划分成训练集和验证集：划分比例0.75训练，0.25验证
training, testing = train_test_split(df,test_size=0.25, random_state=1)
# 提取训练集中的x与y
x_train = training.copy()[['complete_year','area', 'daypop', 'sub_kde',
'bus_kde', 'kind_kde','per_a20_39']]
y_train = training.copy()['is_high']
# 提取验证集中的x与y
x_test = testing.copy()[['complete_year','area', 'daypop', 'sub_kde',
'bus_kde', 'kind_kde','per_a20_39']]
y_test = testing.copy()['is_high']
print(f'the shape of training set is: {x_train.shape}')
print(f'the shape of testing set is: {x_test.shape}')
–> 输出的结果为：
the shape of training set is: (673, 7)
the shape of testing set is: (225, 7)
2.3 使用Pipeline创建工作流，构造模型
from sklearn.preprocessing import PowerTransformer, StandardScaler, PolynomialFeatures
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
rf_model = RandomForestClassifier(criterion='gini',
n_jobs=16,#16个线程
max_features = 'auto',
n_estimators = 100,
max_depth = None,
random_state=133)
pipe_clf = Pipeline([
('sc',StandardScaler()),
('power_trans',PowerTransformer()),
('polynom_trans',PolynomialFeatures(degree=2)),
('rf_clf', rf_model)
])
print(pipe_clf)
–> 输出的结果为：
Pipeline(memory=None,
steps=[('sc',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('power_trans',
PowerTransformer(copy=True, method='yeo-johnson',
standardize=True)),
('polynom_trans',
PolynomialFeatures(degree=2, include_bias=True,
interaction_only=False, order='C')),
('rf_clf',
RandomForestClassifier(bootstrap=True, class_weight=None,
criterion='gini', max_depth=None,
max_features='auto',
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=100, n_jobs=16,
oob_score=False, random_state=133,
verbose=0, warm_start=False))],
verbose=False)
2.4 随机森林参数讲解
1） 特有参数：
n_estimators: 也就是子学习器的个数（越大越好，但是要权衡，100，500，1000）
max_features: 每棵树选择的特征的最大数量，默认是"auto"
bootstrap： 默认True（推荐），构建决策树的时候是否使用有放回的抽样方式构建训练数据
2） 决策树模型参数：
criterion:做划分时对特征的评价标准默认是基尼系数gini,另一个可选择的标准是信息增益。回归树默认是均方差mse，另一个可是绝对值差mae。
max_depth: 每棵树的最大深度，默认None
min_samples_split: 内部节点再划分所需最小样本数
min_samples_leaf: 叶子节点最少样本数
max_leaf_nodes: 最大叶子节点数
2.5 留出法在验证集上模型的表现
import warnings
from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score
warnings.filterwarnings('ignore')
pipe_clf.fit(x_train,y_train)
y_predict = pipe_clf.predict(x_test)
print(f'accuracy score is: {accuracy_score(y_test,y_predict)}')
print(f'precision score is: {precision_score(y_test,y_predict)}')
print(f'recall score is: {recall_score(y_test,y_predict)}')
print(f'auc: {roc_auc_score(y_test,y_predict)}')
–> 输出的结果为：
accuracy score is: 0.8622222222222222
precision score is: 0.8761061946902655
recall score is: 0.853448275862069
auc: 0.862503954444796
3. XGBOOST模型代码实现
3.1 交叉验证法划分数据
xgboost需要单独安装此模块，在命令行安装即可，加载数据和之前的一样，这里不进行赘述，接下来不采用留出法进行数据的划分，这里采用交叉验证法进行数据的划分（取k=5）
from sklearn.model_selection import StratifiedKFold
k = 5
kf = StratifiedKFold(n_splits=k, shuffle=True)
kf.get_n_splits(x, y)
print(kf)
–> 输出的结果为：（这里由于是分类，加载的模块和之前的是不同的，可以对比之前的）
StratifiedKFold(n_splits=5, random_state=None, shuffle=True)
3.2 使用Pipeline创建工作流，构造模型
from sklearn.preprocessing import PowerTransformer, StandardScaler, PolynomialFeatures
from sklearn.pipeline import Pipeline
import xgboost as xgb
xgb_model = xgb.XGBClassifier(objective='binary:hinge',
nthread=16,
booster='gbtree',
n_estimators=500,
learning_rate=0.05,
max_depth=9,
subsample=0.8,
colsample_bytree=0.8
)
pipe_clf = Pipeline([
('sc',StandardScaler()),
('power_trans',PowerTransformer()),
('polynom_trans',PolynomialFeatures(degree=2)),
('xgb_clf', xgb_model)
])
print(pipe_clf)
–> 输出的结果为：
Pipeline(memory=None,
steps=[('sc',
StandardScaler(copy=True, with_mean=True, with_std=True)),
('power_trans',
PowerTransformer(copy=True, method='yeo-johnson',
standardize=True)),
('polynom_trans',
PolynomialFeatures(degree=2, include_bias=True,
interaction_only=False, order='C')),
('xgb_clf',
XGBClassifier(base_score=None, booster='gbtree',
colsample_bylevel=None...
interaction_constraints=None, learning_rate=0.05,
max_delta_step=None, max_depth=9,
min_child_weight=None, missing=nan,
monotone_constraints=None, n_estimators=500,
n_jobs=None, nthread=16, num_parallel_tree=None,
objective='binary:hinge', random_state=None,
reg_alpha=None, reg_lambda=None,
scale_pos_weight=None, subsample=0.8,
tree_method=None, validate_parameters=False,
verbosity=None))],
verbose=False)
3.3 xgboost 模型参数讲解
1） 通用参数：
booster：默认gbtree
gbtree：基于树的模型
gbliner：线性模型
nthread：最大线程数
objective：任务类型
回归任务：reg:squarederror
二元分类任务：
binary:logistic（输出概率）
binary:hinge（输出分类结果）
2） 训练参数，以tree booster为例：
n_estimators： 子学习器数量（和训练步长搭配的，不是越多越好）
learning rate：训练步长
max_depth：树最大深度
max_leaf_nodes：树最大节点或叶子数量
subsample：控制每棵树，训练样本比例
colsample_bytree：控制每棵树，训练特征比例
lambda：L2正则系数
alpha：L1正则系数
3.4 交叉验证法在验证集上模型的表现
这里直接将分别输出和最后取均值的过程放在一块了
import warnings
from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score
warnings.filterwarnings('ignore')
acc = []
precision = []
recall = []
auc = []
for train_index, test_index in kf.split(x,y): # 拆分
x_traincv, x_testcv = x.loc[train_index], x.loc[test_index]
y_traincv, y_testcv = y.loc[train_index], y.loc[test_index]
pipe_clf.fit(x_traincv, y_traincv) # 训练
y_predictcv = pipe_clf.predict(x_testcv) # 预测
k_acc = accuracy_score(y_testcv,y_predictcv)
print(f'accuracy score is: {k_acc}')
acc.append(k_acc)
k_precision = precision_score(y_testcv,y_predictcv)
print(f'precision score is: {k_precision}')
precision.append(k_precision)
k_recall = recall_score(y_testcv,y_predictcv)
print(f'recall score is: {k_recall}')
recall.append(k_recall)
k_auc = roc_auc_score(y_testcv,y_predictcv)
print(f'auc: {k_auc}')
auc.append(k_auc)
import numpy as np
print(f'-----------------------------------------------------')
print(f'average accuracy score is: {np.array(acc).mean()}')
print(f'average precision is: {np.array(precision).mean()}')
print(f'average recall is: {np.array(recall).mean()}')
print(f'average auc is: {np.array(auc).mean()}')
–> 输出的结果为：
accuracy score is: 0.9060758082497213
precision score is: 0.900054914881933
recall score is: 0.9136008918617614
auc: 0.9060758082497213
accuracy score is: 0.9066071926400893
precision score is: 0.9028161236885699
recall score is: 0.9113712374581939
auc: 0.90660586412787
accuracy score is: 0.9157836029001674
precision score is: 0.9067103109656302
recall score is: 0.9269380925822643
auc: 0.9157836029001672
accuracy score is: 0.9079754601226994
precision score is: 0.8905499199145755
recall score is: 0.9302844394868934
auc: 0.9079754601226994
accuracy score is: 0.9012827663134412
precision score is: 0.9039865244244806
recall score is: 0.8979364194088121
auc: 0.9012827663134412
-----------------------------------------------------
average accuracy score is: 0.9075449660452237
average precision is: 0.900823558775038
average recall is: 0.9160262161595851
average auc is: 0.9075447003427799
