第4章 数据表示与特征工程

news2024/12/26 11:59:48

目录

  • 1. 分类变量
    • 1.1 One-Hot编码(虚拟变量)
      • 检查字符串编码的分类数据
    • 1.2 数字可以编码分类变量
  • 2. 分箱、离散化、线性模型与树
  • 3. 交互特征与多相似特征
  • 4. 单变量非线性变换
  • 总结(2~4)
  • 5. 自动化特征选择
    • 5.1 单变量统计
    • 5.2 基于模型的特征选择
    • 5.3 迭代特征选择
  • 6. 利用专家知识
    • 任务:预测是否还有共享单车可供使用
      • 加载数据
      • 将数据可视化
      • 观察并分析数据
      • 确定输入特征特征与输出
      • 尝试使用单一整数特征作为数据表示
      • 定义一个函数(对数据进行划分、构建模型并将结果可视化)
      • 使用随机森林作为第一个模型进行预测
      • 分析结果为一条直线的原因
      • 使用专家知识
      • 仅使用每天的时刻作为特征并进行预测
      • 添加星期几作为特征并进行预测
      • 使用线性回归作为模型进行预测
      • 将整数解释为分类变量并使用岭回归进行预测
      • 让模型为星期几和时刻的每一种组合学到一个系数并进行预测
      • 将模型学到的系数作图
        • 为时刻和星期几特征创建特征名称
        • 对所有交互特征进行命名,并仅保留系数不为零的那些特征
        • 将系数可视化

1. 分类变量

  • 使用成年人收入的数据集(adult数据集)

    • 任务:预测一名工人的收入

    • 特征

      • 年龄
      • 雇用方式
      • 教育水平
      • 性别
      • 每周工作时长
      • 职业
      • 等等
    • 数据集中的前几个条目

      adult数据集的前几个条目

      • 连续特征
        • age
        • hours-per-week
      • 分类特征:来自一系列固定的可能取值(不是范围),表示的是定性属性(不是数量)
        • workclass
        • education
        • gender
        • occupation
    • 任务种类

      • 分类任务
        • 收入<=50K
        • 收入>50K
      • 回归任务
        • 预测具体收入
  • 假设学习Logistic回归分析器

    • 预测公式
      y ^ = w [ 0 ] ∗ x [ 0 ] + w [ 1 ] ∗ x [ 1 ] + ⋯ + w [ p ] ∗ x [ p ] + b > 0 \hat{y} = w[0]*x[0] + w[1]*x[1] + \cdots + w[p]*x[p] + b > 0 y^=w[0]x[0]+w[1]x[1]++w[p]x[p]+b>0

      • w [ i ] w[i] w[i]:学到的系数
      • b b b:学到的系数
      • x [ i ] x[i] x[i]:输入特征

1.1 One-Hot编码(虚拟变量)

  • 思想:将一个分类变量替换为一个或多个新特征

    • 新特征取0和1
  • 利用One-Hot编码来编码workclass特征

    利用one-hot编码来编码workclass特征

  • 将数据转换为分类变量的One-Hot编码的两种方法

    • 使用pandas
      • get_dummies函数
    • 使用scilit-learn
      • OneHotEncoder函数
  • 使用pandas加载数据

    import pandas as pd
    
    # 文件中没有包含列名称的表头,因此我们传入header=None
    # 然后在"names"中显式地提供列名称
    data = pd.read_csv("data/adult.data", header=None, index_col=False,
                       names=['age', 'workclass', 'fnlwgt', 'education', 'education-num',
                              'marital-status', 'occupation', 'relationship', 'race', 'gender',
                              'capital-gain', 'capital-loss', 'hours-per-week', 'native-country',
                              'income'])
    
    # 为了便于说明,我们只选了其中几列
    data = data[['age', 'workclass', 'education', 'gender', 'hours-per-week',
                 'occupation', 'income']]
    
    # 显示所有列
    pd.set_option('display.max_columns', None)
    
    # 显示所有行
    pd.set_option('display.max_rows', None)
    
    print(data.head())
    #    age          workclass   education   gender  hours-per-week          occupation  income
    # 0   39          State-gov   Bachelors     Male              40        Adm-clerical   <=50K
    # 1   50   Self-emp-not-inc   Bachelors     Male              13     Exec-managerial   <=50K
    # 2   38            Private     HS-grad     Male              40   Handlers-cleaners   <=50K
    # 3   53            Private        11th     Male              40   Handlers-cleaners   <=50K 
    # 4   28            Private   Bachelors   Female              40      Prof-specialty   <=50K
    

检查字符串编码的分类数据

  • 使用 pandas Series(Series 是 Data Frame 中单列对应的数据类型)的 value_counts 函数,以显示唯一值及其出现的次数

    import pandas as pd
    
    data = pd.read_csv("data/adult.data", header=None, index_col=False,
                       names=['age', 'workclass', 'fnlwgt', 'education', 'education-num',
                              'marital-status', 'occupation', 'relationship', 'race', 'gender',
                              'capital-gain', 'capital-loss', 'hours-per-week', 'native-country',
                              'income'])
    
    data = data[['age', 'workclass', 'education', 'gender', 'hours-per-week',
                 'occupation', 'income']]
    
    print(data.gender.value_counts())
    #  Male      21790
    #  Female    10771
    # Name: gender, dtype: int64
    
  • 使用get_dummies函数

    • 自动变换所有对象类型的列或所有分类的列
    import pandas as pd
    
    data = pd.read_csv("data/adult.data", header=None, index_col=False,
                       names=['age', 'workclass', 'fnlwgt', 'education', 'education-num',
                              'marital-status', 'occupation', 'relationship', 'race', 'gender',
                              'capital-gain', 'capital-loss', 'hours-per-week', 'native-country',
                              'income'])
    
    data = data[['age', 'workclass', 'education', 'gender', 'hours-per-week',
                 'occupation', 'income']]
    
    print("Original features:\n", list(data.columns), "\n")
    # Original features:
    #  ['age', 'workclass', 'education', 'gender', 'hours-per-week', 'occupation', 'income'] 
    
    data_dummies = pd.get_dummies(data)
    print("Features:\n", list(data_dummies.columns))
    # Features:
    #  ['age', 'hours-per-week', 'workclass_ ?', 'workclass_ Federal-gov', 'workclass_ Local-gov', 'workclass_ Never-worked', 'workclass_ Private', 'workclass_ Self-emp-inc', 'workclass_ Self-emp-not-inc', 'workclass_ State-gov', 'workclass_ Without-pay', 'education_ 10th', 'education_ 11th', 'education_ 12th', 'education_ 1st-4th', 'education_ 5th-6th', 'education_ 7th-8th', 'education_ 9th', 'education_ Assoc-acdm', 'education_ Assoc-voc', 'education_ Bachelors', 'education_ Doctorate', 'education_ HS-grad', 'education_ Masters', 'education_ Preschool', 'education_ Prof-school', 'education_ Some-college', 'gender_ Female', 'gender_ Male', 'occupation_ ?', 'occupation_ Adm-clerical', 'occupation_ Armed-Forces', 'occupation_ Craft-repair', 'occupation_ Exec-managerial', 'occupation_ Farming-fishing', 'occupation_ Handlers-cleaners', 'occupation_ Machine-op-inspct', 'occupation_ Other-service', 'occupation_ Priv-house-serv', 'occupation_ Prof-specialty', 'occupation_ Protective-serv', 'occupation_ Sales', 'occupation_ Tech-support', 'occupation_ Transport-moving', 'income_ <=50K', 'income_ >50K']
    
  • 使用 values 属性将 data_dummies 数据框转换为 NumPy 数组

    • 仅提取包含特征的列
    import pandas as pd
    
    data = pd.read_csv("data/adult.data", header=None, index_col=False,
                       names=['age', 'workclass', 'fnlwgt', 'education', 'education-num',
                              'marital-status', 'occupation', 'relationship', 'race', 'gender',
                              'capital-gain', 'capital-loss', 'hours-per-week', 'native-country',
                              'income'])
    
    data = data[['age', 'workclass', 'education', 'gender', 'hours-per-week',
                 'occupation', 'income']]
    
    data_dummies = pd.get_dummies(data)
    
    features = data_dummies.loc[:, 'age':'occupation_ Transport-moving']
    
    # 提取NumPy数组
    X = features.values
    y = data_dummies['income_ >50K'].values
    
    print("X.shape: {}  y.shape: {}".format(X.shape, y.shape))
    # X.shape: (32561, 44)  y.shape: (32561,)
    
  • 使用Logistic回归,并计算精确度

    import pandas as pd
    from sklearn.linear_model import LogisticRegression
    from sklearn.model_selection import train_test_split
    
    data = pd.read_csv("data/adult.data", header=None, index_col=False,
                       names=['age', 'workclass', 'fnlwgt', 'education', 'education-num',
                              'marital-status', 'occupation', 'relationship', 'race', 'gender',
                              'capital-gain', 'capital-loss', 'hours-per-week', 'native-country',
                              'income'])
    
    data = data[['age', 'workclass', 'education', 'gender', 'hours-per-week',
                 'occupation', 'income']]
    
    data_dummies = pd.get_dummies(data)
    
    features = data_dummies.loc[:, 'age':'occupation_ Transport-moving']
    
    X = features.values
    y = data_dummies['income_ >50K'].values
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
    logreg = LogisticRegression()
    logreg.fit(X_train, y_train)
    
    print("Test score: {:.3f}".format(logreg.score(X_test, y_test)))
    # Test score: 0.807
    

1.2 数字可以编码分类变量

  • pandas 的 get_dummies 函数将所欲的数字视为连续的,不会为其创建虚拟变量

    • 解决的两种方法
      • 使用 scikit-learn 的 OneHotEncoder,指定哪些变量是连续的、哪些变量是离散的
      • 将数据框中的数据列转换为字符串
  • 验证 get_dummies 只会编码字符串特征

    import pandas as pd
    
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_rows', None)
    
    # 创建一个DataFrame,包含一个整数特征和一个分类字符串特征
    demo_df = pd.DataFrame({'Integer Feature': [0, 1, 2, 1],
                            'Categorical Feature': ['socks', 'fox', 'socks', 'box']})
    print(demo_df)
    #    Integer Feature Categorical Feature
    # 0                0               socks
    # 1                1                 fox
    # 2                2               socks
    # 3                1                 box
    
    print(pd.get_dummies(demo_df))
    #    Integer Feature  Categorical Feature_box  Categorical Feature_fox  Categorical Feature_socks
    # 0                0                        0                        0                          1
    # 1                1                        0                        1                          0
    # 2                2                        0                        0                          1
    # 3                1                        1                        0                          0
    
  • 使用 columns 参数显式地给出想要编码的列

    import pandas as pd
    
    pd.set_option('display.max_columns', None)
    pd.set_option('display.max_rows', None)
    
    demo_df = pd.DataFrame({'Integer Feature': [0, 1, 2, 1],
                            'Categorical Feature': ['socks', 'fox', 'socks', 'box']})
    
    demo_df['Integer Feature'] = demo_df['Integer Feature'].astype(str)
    
    print(pd.get_dummies(demo_df, columns=['Integer Feature', 'Categorical Feature']))
    #    Integer Feature_0  Integer Feature_1  Integer Feature_2  Categorical Feature_box  Categorical Feature_fox  Categorical Feature_socks
    # 0                  1                  0                  0                        0                        0                          1
    # 1                  0                  1                  0                        0                        1                          0
    # 2                  0                  0                  1                        0                        0                          1
    # 3                  0                  1                  0                        1                        0                          0
    

2. 分箱、离散化、线性模型与树

  • 线性回归模型与决策树回归在 wave 数据集上的对比

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.linear_model import LinearRegression
    from sklearn.tree import DecisionTreeRegressor
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    reg = DecisionTreeRegressor(min_samples_split=3).fit(X, y)
    plt.plot(line, reg.predict(line), label="decision tree")
    
    reg = LinearRegression().fit(X, y)
    plt.plot(line, reg.predict(line), label="linear regression")
    
    plt.plot(X[:, 0], y, 'o', c='k')
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    plt.legend(loc="best")
    
    plt.tight_layout()
    plt.show()
    

    在wave数据集上比较线性回归和决策树

    • 线性模型:只能对线性关系建模,对于单个特征的情况就是直线
    • 决策树:可以构建较为复杂的数据模型,但强烈依赖于数据表示
  • 特征分箱离散化):将线性模型划分为多个特征

  • 将特征的输入范围划分成固定个数的箱子

    • 数据点用其所在的箱子表示
    • 划分出10个箱子
    import numpy as np
    
    bins = np.linspace(-3, 3, 11)
    print("bins: {}".format(bins))
    # bins: [-3.  -2.4 -1.8 -1.2 -0.6  0.   0.6  1.2  1.8  2.4  3. ]
    
  • 记录每个点所处的箱子

    • 使用 digitize 函数
    import numpy as np
    import mglearn
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    bins = np.linspace(-3, 3, 11)
    
    which_bin = np.digitize(X, bins=bins)
    print("\nData points:\n", X[:5])
    # Data points:
    #  [[-0.75275929]
    #  [ 2.70428584]
    #  [ 1.39196365]
    #  [ 0.59195091]
    #  [-2.06388816]]
    
    print("\nBin membership for data points:\n", which_bin[:5])
    # Bin membership for data points:
    #  [[ 4]
    #  [10]
    #  [ 8]
    #  [ 6]
    #  [ 2]]
    
  • 使用 preprocessing 模块的 OneHotEncoder 将这个离散特征变换为 one-hot 编码

    import numpy as np
    import mglearn
    from sklearn.preprocessing import OneHotEncoder
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    bins = np.linspace(-3, 3, 11)
    
    which_bin = np.digitize(X, bins=bins)
    
    # 使用OneHotEncoder进行变换
    encoder = OneHotEncoder(sparse=False)
    
    # encoder.fit找到which_bin中的唯一值
    encoder.fit(which_bin)
    
    # transform创建one-hot编码
    X_binned = encoder.transform(which_bin)
    
    print(X_binned[:5])
    # [[0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
    #  [0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]
    #  [0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]
    #  [0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
    #  [0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]]
    
    print("X_binned.shape: {}".format(X_binned.shape))
    # X_binned.shape: (100, 10)
    
  • 在 one-hot 编码后的数据上构建新的线性模型和新的决策树模型

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.linear_model import LinearRegression
    from sklearn.tree import DecisionTreeRegressor
    from sklearn.preprocessing import OneHotEncoder
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    bins = np.linspace(-3, 3, 11)
    which_bin = np.digitize(X, bins=bins)
    
    encoder = OneHotEncoder(sparse=False)
    encoder.fit(which_bin)
    
    X_binned = encoder.transform(which_bin)
    line_binned = encoder.transform(np.digitize(line, bins=bins))
    
    reg = LinearRegression().fit(X_binned, y)
    plt.plot(line, reg.predict(line_binned), label='linear regression binned')
    
    reg = DecisionTreeRegressor(min_samples_split=3).fit(X_binned, y)
    plt.plot(line, reg.predict(line_binned), label='decision tree binned')
    
    plt.plot(X[:, 0], y, 'o', c='k')
    plt.vlines(bins, -3, 3, linewidth=1, alpha=.2)
    plt.legend(loc="best")
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    
    plt.tight_layout()
    plt.show()
    

    在分箱特征上比较线性回归和决策树回归

  • 线性模型灵活度上升

  • 决策树模型灵活度下降

    • 可以学习如何分箱对预测这些数据最为有用
  • 对于特定的数据集,如果有充分的理由使用线性模型(数据集很大、维度很高,但有些特征与输出的关系是非线性的),则分箱可以很好地提高建模能力

3. 交互特征与多相似特征

  • 对分箱数据添加斜率

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.linear_model import LinearRegression
    from sklearn.preprocessing import OneHotEncoder
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    bins = np.linspace(-3, 3, 11)
    which_bin = np.digitize(X, bins=bins)
    
    encoder = OneHotEncoder(sparse=False)
    encoder.fit(which_bin)
    
    X_binned = encoder.transform(which_bin)
    X_combined = np.hstack([X, X_binned])
    
    print(X_combined.shape)
    # (100, 11)
    
    line_binned = encoder.transform(np.digitize(line, bins=bins))
    
    reg = LinearRegression().fit(X_combined, y)
    
    line_combined = np.hstack([line, line_binned])
    plt.plot(line, reg.predict(line_combined), label='linear regression combined')
    
    for bin in bins:
        plt.plot([bin, bin], [-3, 3], ':', c='k')
    
    plt.legend(loc="best")
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    plt.plot(X[:, 0], y, 'o', c='k')
    
    plt.tight_layout()
    plt.show()
    

    使用分箱特征和单一全局斜率的线性回归

  • 为每个箱子添加不同的斜率

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.linear_model import LinearRegression
    from sklearn.preprocessing import OneHotEncoder
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    bins = np.linspace(-3, 3, 11)
    which_bin = np.digitize(X, bins=bins)
    
    encoder = OneHotEncoder(sparse=False)
    encoder.fit(which_bin)
    
    X_binned = encoder.transform(which_bin)
    X_combined = np.hstack([X, X_binned])
    X_product = np.hstack([X_binned, X * X_binned])
    
    print(X_product.shape)
    # (100, 20)
    
    line_binned = encoder.transform(np.digitize(line, bins=bins))
    line_product = np.hstack([line_binned, line * line_binned])
    
    reg = LinearRegression().fit(X_product, y)
    
    line_combined = np.hstack([line_binned, line * line_binned])
    plt.plot(line, reg.predict(line_product), label='linear regression combined')
    
    for bin in bins:
        plt.plot([bin, bin], [-3, 3], ':', c='k')
    
    plt.legend(loc="best")
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    plt.plot(X[:, 0], y, 'o', c='k')
    
    plt.tight_layout()
    plt.show()
    

    每个箱子具有不同斜率的线性回归

  • 使用原始特征的多项式

    • 在 processing 模块的 中实现
    import mglearn
    from sklearn.preprocessing import PolynomialFeatures
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    
    # 包含直到x ** 10的多项式:
    # 默认的"include bias=True"添加恒等于1的常数特征
    poly = PolynomialFeatures(degree=10, include_bias=False)
    poly.fit(X)
    X_poly = poly.transform(X)
    
    print("X_poly.shape: {}".format(X_poly.shape))
    # X_poly.shape: (100, 10)
    
    print("Entries of X:\n{}".format(X[:5]))
    # Entries of X:
    # [[-0.75275929]
    #  [ 2.70428584]
    #  [ 1.39196365]
    #  [ 0.59195091]
    #  [-2.06388816]]
    
    print("Entries of X poly:\n{}".format(X_poly[:5]))
    # Entries of X poly:
    # [[-7.52759287e-01  5.66646544e-01 -4.26548448e-01  3.21088306e-01
    #   -2.41702204e-01  1.81943579e-01 -1.36959719e-01  1.03097700e-01
    #   -7.76077513e-02  5.84199555e-02]
    #  [ 2.70428584e+00  7.31316190e+00  1.97768801e+01  5.34823369e+01
    #    1.44631526e+02  3.91124988e+02  1.05771377e+03  2.86036036e+03
    #    7.73523202e+03  2.09182784e+04]
    #  [ 1.39196365e+00  1.93756281e+00  2.69701700e+00  3.75414962e+00
    #    5.22563982e+00  7.27390068e+00  1.01250053e+01  1.40936394e+01
    #    1.96178338e+01  2.73073115e+01]
    #  [ 5.91950905e-01  3.50405874e-01  2.07423074e-01  1.22784277e-01
    #    7.26822637e-02  4.30243318e-02  2.54682921e-02  1.50759786e-02
    #    8.92423917e-03  5.28271146e-03]
    #  [-2.06388816e+00  4.25963433e+00 -8.79140884e+00  1.81444846e+01
    #   -3.74481869e+01  7.72888694e+01 -1.59515582e+02  3.29222321e+02
    #   -6.79478050e+02  1.40236670e+03]]
    
    print("Polynomial feature names:\n{}".format(poly.get_feature_names_out()))
    # Polynomial feature names:
    # ['x0' 'x0^2' 'x0^3' 'x0^4' 'x0^5' 'x0^6' 'x0^7' 'x0^8' 'x0^9' 'x0^10']
    
  • 多项式回归模型:将多项式特征与线性回归模型一起使用

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.linear_model import LinearRegression
    from sklearn.preprocessing import PolynomialFeatures
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    
    poly = PolynomialFeatures(degree=10, include_bias=False)
    poly.fit(X)
    X_poly = poly.transform(X)
    
    reg = LinearRegression().fit(X_poly, y)
    line_poly = poly.transform(line)
    plt.plot(line, reg.predict(line_poly), label='polynomial linear regression')
    plt.plot(X[:, 0], y, 'o', c='k')
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    plt.legend(loc="best")
    
    plt.tight_layout()
    plt.show()
    

    具有10次多项式特征的线性回归

  • 在原始数据上学到的核SVM模型

    import numpy as np
    from matplotlib import pyplot as plt
    import mglearn
    from sklearn.svm import SVR
    
    X, y = mglearn.datasets.make_wave(n_samples=100)
    line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
    
    for gamma in [1, 10]:
        svr = SVR(gamma=gamma).fit(X, y)
        plt.plot(line, svr.predict(line), label='SVR gamma={}'.format(gamma))
    
    plt.plot(X[:, 0], y, 'o', c='k')
    plt.ylabel("Regression output")
    plt.xlabel("Input feature")
    plt.legend(loc="best")
    
    plt.tight_layout()
    plt.show()
    

    对于RBF核的SVM,使用不同gamma参数的对比

  • 交互特征和多项式特征的实际应用

    from sklearn.datasets import load_boston
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import MinMaxScaler, PolynomialFeatures
    from sklearn.linear_model import Ridge
    from sklearn.ensemble import RandomForestRegressor
    
    boston = load_boston()
    X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, random_state=0)
    
    # 缩放数据
    scaler = MinMaxScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    poly = PolynomialFeatures(degree=2).fit(X_train_scaled)
    # 使用最多2个原始特征的乘积组成的所有特征
    
    X_train_poly = poly.transform(X_train_scaled)
    X_test_poly = poly.transform(X_test_scaled)
    print("X_train.shape: {}".format(X_train.shape))
    # X_train.shape: (379, 13)
    
    print("X train poly.shape: {}".format(X_train_poly.shape))
    # X_train_poly.shape: (379, 105)
    
    ridge = Ridge().fit(X_train_scaled, y_train)
    print("Score without interactions: {:.3f}".format(ridge.score(X_test_scaled, y_test)))
    # Score without interactions:0.621
    
    ridge = Ridge().fit(X_train_poly, y_train)
    print("Score with interactions: {:.3f}".format(ridge.score(X_test_poly, y_test)))
    # Score with interactions: 0.753
    
    
    rf = RandomForestRegressor(n_estimators=100).fit(X_train_scaled, y_train)
    print("Score without interactions: {:.3f}".format(rf.score(X_test_scaled, y_test)))
    # Score without interactions: 0.799
    
    rf = RandomForestRegressor(n_estimators=100).fit(X_train_scaled, y_train)
    print("Score with interactions: {:.3f}".format(rf.score(X_test_poly, y_test)))
    # Score with interactions: 0.763
    

4. 单变量非线性变换

  • 基于树的模型只关注特征的顺序

  • 线性模型和神经网络依赖于每个特征的尺度和分布

    • log和exp函数可以帮助调节数据的相对比例
  • 大部分模型都在每个特征大致遵循高斯分布时表现最好

    • 每个特征的直方图应该具有类似于熟悉的“钟形曲线”的形状
  • 创建一个模拟数据集

    import numpy as np
    
    rnd = np.random.RandomState(0)
    X_org = rnd.normal(size=(1000, 3))
    w = rnd.normal(size=3)
    
    X = rnd.poisson(10 * np.exp(X_org))
    y = np.dot(X_org, w)
    
    print("Number of feature appearances:\n{}".format(np.bincount(X[:, 0])))
    # Number of feature appearances:
    # [28 38 68 48 61 59 45 56 37 40 35 34 36 26 23 26 27 21 23 23 18 21 10  9
    #  17  9  7 14 12  7  3  8  4  5  5  3  4  2  4  1  1  3  2  5  3  8  2  5
    #   2  1  2  3  3  2  2  3  3  0  1  2  1  0  0  3  1  0  0  0  1  3  0  1
    #   0  2  0  1  1  0  0  0  0  1  0  0  2  2  0  1  1  0  0  0  0  1  1  0
    #   0  0  0  0  0  0  1  0  0  0  0  0  1  1  0  0  1  0  0  0  0  0  0  0
    #   1  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  0  1]
    
    • bincount:从0开始
  • 将计数可视化

    import numpy as np
    from matplotlib import pyplot as plt
    
    rnd = np.random.RandomState(0)
    X_org = rnd.normal(size=(1000, 3))
    w = rnd.normal(size=3)
    
    X = rnd.poisson(10 * np.exp(X_org))
    y = np.dot(X_org, w)
    
    bins = np.bincount(X[:, 0])
    plt.bar(range(len(bins)), bins)
    plt.ylabel("Number of appearances")
    plt.xlabel("Value")
    
    plt.tight_layout()
    plt.show()
    

    X[, 0]特征取值的直方图

  • 使用岭回归进行拟合(Ridge)

    import numpy as np
    from sklearn.model_selection import train_test_split
    from sklearn.linear_model import Ridge
    
    rnd = np.random.RandomState(0)
    X_org = rnd.normal(size=(1000, 3))
    w = rnd.normal(size=3)
    
    X = rnd.poisson(10 * np.exp(X_org))
    y = np.dot(X_org, w)
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
    score = Ridge().fit(X_train, y_train).score(X_test, y_test)
    print("Test score: {:.3f}".format(score))
    # Test score: 0.622
    
  • 使用对数变换

    import numpy as np
    from matplotlib import pyplot as plt
    from sklearn.model_selection import train_test_split
    
    rnd = np.random.RandomState(0)
    X_org = rnd.normal(size=(1000, 3))
    w = rnd.normal(size=3)
    
    X = rnd.poisson(10 * np.exp(X_org))
    y = np.dot(X_org, w)
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
    
    X_train_log = np.log(X_train + 1)
    X_test_log = np.log(X_test + 1)
    
    plt.hist(X_train_log[:, 0], bins=25)
    plt.ylabel("Number of appearances")
    plt.xlabel("Value")
    
    plt.tight_layout()
    plt.show()
    

    对X[, 0]特征取值进行对数变换后的直方图

  • 对新数据进行岭回归拟合

    import numpy as np
    from sklearn.linear_model import Ridge
    from sklearn.model_selection import train_test_split
    
    rnd = np.random.RandomState(0)
    X_org = rnd.normal(size=(1000, 3))
    w = rnd.normal(size=3)
    
    X = rnd.poisson(10 * np.exp(X_org))
    y = np.dot(X_org, w)
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
    
    X_train_log = np.log(X_train + 1)
    X_test_log = np.log(X_test + 1)
    
    score = Ridge().fit(X_train_log, y_train).score(X_test_log, y_test)
    print("Test score: {:.3f}".format(score))
    # Test score: 0.875
    

总结(2~4)

  • 线性模型和朴素贝叶斯模型:在给定数据集上的性能有很大影响
    • 对于复杂度较低的模型更是这样
  • 基于树的模型:通常能够自己发现重要的交互项,大多数情况下不需要显式地变换数据
  • SVM、最近邻和神经网络:有时可能会从使用分箱、交互项或多项式中受益,但其效果通常不如线性模型那么明显

5. 自动化特征选择

5.1 单变量统计

  • 计算每个特征和目标值之间的关系是否存在统计显著性,并选择具有最高置信度的特征

  • 对于分类问题:称为方差分析

  • 测试的关键性质:单变量

    • 只单独考虑每个特征
      • 如果一个特征只有在与另一个特征合并时才具有信息量,那么这个特征将被舍弃
  • 计算速度很快,且不需要构建模型

  • 完全独立于可能在特征选择之后应用的模型

  • 使用单变量特征选择的步骤

    1. 选择一项测试
      • 分类问题:f_classif
      • 回归问题:f_regression
    2. 基于测试中确定的p值来选择一种舍弃特征的方法
      • 所有舍弃参数的方法都使用阈值来舍弃所有p值过大的特征
        • 计算阈值的方法
          • SelectKBest:选择固定数量的k个特征
          • SelectPercentile:选择固定百分比的特征
  • 在cancer数据集上应用单变量特征选择

    import numpy as np
    from matplotlib import pyplot as plt
    from sklearn.datasets import load_breast_cancer
    from sklearn.feature_selection import SelectPercentile
    from sklearn.model_selection import train_test_split
    
    cancer = load_breast_cancer()
    
    # 获得确定性的随机数
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    # 向数据中添加噪声特征
    # 前30个特征来自数据集,后50个是噪声
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    # 使用f_classif(默认值)和SelectPercentile来选择50%的特征
    select = SelectPercentile(percentile=50)
    select.fit(X_train, y_train)
    
    # 对训练集进行变换
    X_train_selected = select.transform(X_train)
    
    print("X_train.shape: {}".format(X_train.shape))
    # X_train.shape: (284, 80)
    
    print("X_train_selected.shape: {}".format(X_train_selected.shape))
    # X_train_selected.shape: (284, 40)
    
    mask = select.get_support()
    
    print(mask)
    # [ True  True  True  True  True  True  True  True  True False  True False
    #   True  True  True  True  True  True False False  True  True  True  True
    #   True  True  True  True  True  True False False False  True False  True
    #  False False  True False False False False  True False False  True False
    #  False  True False  True False False False False False False  True False
    #   True False False False False  True False  True False False False False
    #   True  True False  True False False False False]
    
    # 将遮罩可视化——黑色为True,白色为False
    plt.matshow(mask.reshape(1, -1), cmap='gray_r')
    plt.xlabel("Sample index")
    
    plt.tight_layout()
    plt.show()
    

    SelectPercentile选择的特征

    • 大多数选择的特征都是原始特征,并且大多数噪声特征都已被删除
  • 对比Logistic回归在所有特征与仅使用所选特征的性能

    import numpy as np
    from sklearn.datasets import load_breast_cancer
    from sklearn.feature_selection import SelectPercentile
    from sklearn.model_selection import train_test_split
    from sklearn.linear_model import LogisticRegression
    
    cancer = load_breast_cancer()
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    select = SelectPercentile(percentile=50)
    select.fit(X_train, y_train)
    
    X_train_selected = select.transform(X_train)
    
    # 对测试数据进行变换
    X_test_selected = select.transform(X_test)
    
    lr = LogisticRegression(max_iter=1000)
    lr.fit(X_train, y_train)
    print("Score with all features: {:.3f}".format(lr.score(X_test, y_test)))
    # Score with all features: 0.933
    
    lr.fit(X_train_selected, y_train)
    print("Score with only selected features: {:.3f}".format(lr.score(X_test_selected, y_test)))
    # Score with only selected features: 0.937
    

5.2 基于模型的特征选择

  • 使用一个监督机器学习模型来判断每个特征的重要性,并且仅保留最重要的特征

  • 用于特征选择的监督模型不需要与用于最终监督建模的模型相同

  • 特征选择模型需要为每个特征提供某种重要性度量

    • 决策树和基于决策树的模型:feature_importances_属性
      • 直接编码每个特征的重要性
    • 线性模型:系数的绝对值
  • 同时考虑所有特征

    • 可以获取交互项
  • 使用基于模型的特征选择

    • 使用 SelectFromModel 变换器
    import numpy as np
    from matplotlib import pyplot as plt
    from sklearn.datasets import load_breast_cancer
    from sklearn.model_selection import train_test_split
    from sklearn.feature_selection import SelectFromModel
    from sklearn.ensemble import RandomForestClassifier
    
    cancer = load_breast_cancer()
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    select = SelectFromModel(RandomForestClassifier(n_estimators=100, random_state=42), threshold="median")
    
    select.fit(X_train, y_train)
    X_train_l1 = select.transform(X_train)
    print("X_train.shape: {}".format(X_train.shape))
    # X_train.shape: (284, 80)
    
    print("X_train_l1.shape: {}".format(X_train_l1.shape))
    # X_train_l1.shape: (284, 40)
    
    mask = select.get_support()
    
    # 将遮罩可视化——黑色为True,白色为False
    plt.matshow(mask.reshape(1, -1), cmap='gray_r')
    plt.xlabel("Sample index")
    
    plt.tight_layout()
    plt.show()
    

    使用RandomForestClassifier的SelectFromModel选择的特征

    • 除了两个原始特征,其他原始特征都被选中
  • 性能评分

    import numpy as np
    from sklearn.datasets import load_breast_cancer
    from sklearn.linear_model import LogisticRegression
    from sklearn.model_selection import train_test_split
    from sklearn.feature_selection import SelectFromModel
    from sklearn.ensemble import RandomForestClassifier
    
    cancer = load_breast_cancer()
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    select = SelectFromModel(RandomForestClassifier(n_estimators=100, random_state=42), threshold="median")
    
    select.fit(X_train, y_train)
    X_train_l1 = select.transform(X_train)
    
    X_test_l1 = select.transform(X_test)
    score = LogisticRegression(max_iter=1000).fit(X_train_l1, y_train).score(X_test_l1, y_test)
    print("Test score: {:.3f}".format(score))
    # Test score: 0.944
    

5.3 迭代特征选择

  • 构建一系列模型,每个模型都使用不同数量的特征

  • 两种基本方法

    • 开始时没有特征,然后逐个添加特征,直到满足某个条件
    • 从所有特征开始,然后逐个删除特征,直到满足某个条件
  • 计算成本较高

  • 特殊方法:递归特征消除(RFE)

    • 从所有特征开始构建模型,并根据模型舍弃最不重要的特征,然后使用除被舍弃特征之外的所有特征来构建一个模型,直到仅剩下预设数量的特征
  • 使用随机森林确定特征重要性

    import numpy as np
    from matplotlib import pyplot as plt
    from sklearn.datasets import load_breast_cancer
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.feature_selection import RFE
    
    cancer = load_breast_cancer()
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    select = RFE(RandomForestClassifier(n_estimators=100, random_state=42), n_features_to_select=40)
    select.fit(X_train, y_train)
    
    # 将选中的特征可视化
    mask = select.get_support()
    plt.matshow(mask.reshape(1, -1), cmap='gray_r')
    plt.xlabel("Sample index")
    
    plt.tight_layout()
    plt.show()
    

    使用随机森林分类器模型的递归特征消除选择的特征

  • 测试性能

    import numpy as np
    from sklearn.datasets import load_breast_cancer
    from sklearn.linear_model import LogisticRegression
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.feature_selection import RFE
    
    cancer = load_breast_cancer()
    rng = np.random.RandomState(42)
    noise = rng.normal(size=(len(cancer.data), 50))
    
    X_w_noise = np.hstack([cancer.data, noise])
    
    X_train, X_test, y_train, y_test = train_test_split(X_w_noise, cancer.target, random_state=0, test_size=.5)
    
    select = RFE(RandomForestClassifier(n_estimators=100, random_state=42), n_features_to_select=40)
    select.fit(X_train, y_train)
    
    X_train_rfe = select.transform(X_train)
    X_test_rfe = select.transform(X_test)
    
    # 使用RFE做特征选择时Logistic回归模型的精度
    score = LogisticRegression(max_iter=1000).fit(X_train_rfe, y_train).score(X_test_rfe, y_test)
    print("Test score: {:.3f}".format(score))
    # Test score: 0.951
    
    # 使用在RFE内使用的模型来进行预测的精度
    print("Test score: {:.3f}".format(select.score(X_test, y_test)))
    # Test score: 0.951
    
    • 只要选择了正确的特征,线性模型的表现就与随机森林一样好

6. 利用专家知识

  • 可以将关于任务属性的先验知识编码到特征中,以辅助机器学习算法
    • 添加一个特征并不会强制机器学习算法使用它

任务:预测是否还有共享单车可供使用

加载数据

  • 将数据重新采样为每3个小时一个数据
import mglearn

citibike=mglearn.datasets.load_citibike()

print("Citi Bike data:\n{}".format(citibike.head()))
# Citi Bike data:
# starttime
# 2015-08-01 00:00:00     3
# 2015-08-01 03:00:00     0
# 2015-08-01 06:00:00     9
# 2015-08-01 09:00:00    41
# 2015-08-01 12:00:00    39
# Freq: 3H, Name: one, dtype: int64

将数据可视化

import pandas as pd
from matplotlib import pyplot as plt

import mglearn

citibike = mglearn.datasets.load_citibike()

xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')

plt.figure(figsize=(10, 3))
plt.xticks(xticks, xticks.strftime("%a %m-%d"), rotation=90, ha="left")
plt.plot(citibike, linewidth=1)

plt.xlabel("Date")
plt.ylabel("Rentals")
plt.tight_layout()
plt.show()

对于选定的Citi Bike站点,自行车出租数量随时间的变化

观察并分析数据

  • 对时间序列上的预测任务的评估目标:希望从过去学习并预测未来
  • 划分数据
    • 训练集:前23天(184个数据点)
    • 测试集:后8天(64个数据点)

确定输入特征特征与输出

  • 唯一特征(输入特征):日期和时间
  • 输出:接下来3个小时内租车的数量

尝试使用单一整数特征作为数据表示

import time
import mglearn

citibike = mglearn.datasets.load_citibike()

# 利用"%s"将时间转换为POSIX时间(时间戳)
X = citibike.index.strftime("%s")
for n, i in enumerate(X):
    timeArray = time.strptime(i, "%Y-%m-%d %H:%M:%S")
    timestamp = time.mktime(timeArray)
    X = X.drop(i)
    X = X.insert(n, timestamp)
X = X.astype("int").values.reshape(-1, 1)

# 提取目标值(租车数量)
y = citibike.values

定义一个函数(对数据进行划分、构建模型并将结果可视化)

import time
import pandas as pd
from matplotlib import pyplot as plt
import mglearn

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')

# 使用前184个数据点用于训练,剩余的数据点用于测试
n_train = 184


# 对给定特征集上的回归进行评估和作图的函数
def eval_on_features(features, target, regressor):
    # 将给定特征划分为训练集和测试集
    X_train, X_test = features[:n_train], features[n_train:]

    # 同样划分目标数组
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")
    
    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()
    
X = citibike.index.strftime("%s")
for n, i in enumerate(X):
    timeArray = time.strptime(i, "%Y-%m-%d %H:%M:%S")
    timestamp = time.mktime(timeArray)
    X = X.drop(i)
    X = X.insert(n, timestamp)
X = X.astype("int").values.reshape(-1, 1)
y = citibike.values

使用随机森林作为第一个模型进行预测

  • 随机森林需要很少的数据预处理
import time
import pandas as pd
from matplotlib import pyplot as plt
import mglearn
from sklearn.ensemble import RandomForestRegressor

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


X = citibike.index.strftime("%s")
for n, i in enumerate(X):
    timeArray = time.strptime(i, "%Y-%m-%d %H:%M:%S")
    timestamp = time.mktime(timeArray)
    X = X.drop(i)
    X = X.insert(n, timestamp)
X = X.astype("int").values.reshape(-1, 1)
y = citibike.values

regressor = RandomForestRegressor(n_estimators=100, random_state=0)
eval_on_features(X, y, regressor)
# Test-set R^2: -0.04

随机森林仅使用POSIX时间做出的预测

  • 训练集上预测效果较好
  • 测试集上预测结果是一条直线

分析结果为一条直线的原因

  • 测试集中时间戳的值超出了训练集中特征取值的范围
    • 测试集中的时间戳要晚于训练集中的所有数据点
  • 树以及随机森林无法外推到训练集之外的特征范围
  • 只能预测训练集中最近数据带你的目标值(最后一次观测到的时间)

使用专家知识

  • 通过观察图像得到的两个非常重要的因素
    1. 一天内的时间
    2. 一周的星期几
  • 添加这两个重要特征
  • 删除时间戳
    • 学不到任何东西

仅使用每天的时刻作为特征并进行预测

import pandas as pd
from matplotlib import pyplot as plt
import mglearn
from sklearn.ensemble import RandomForestRegressor

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X_hour), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


X_hour = citibike.index.hour.values.reshape(-1, 1)
y = citibike.values

regressor = RandomForestRegressor(n_estimators=100, random_state=0)

eval_on_features(X_hour, y, regressor)
# Test-set R^2: 0.60

随机森林仅使用每天的时刻做出的预测

  • 预测结果对每一天都相同
    • 原因:将所有天的每个小时进行归类并进行训练

添加星期几作为特征并进行预测

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import mglearn
from sklearn.ensemble import RandomForestRegressor

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X_hour_week), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


X_hour_week = np.hstack([citibike.index.dayofweek.values.reshape(-1, 1), citibike.index.hour.values.reshape(-1, 1)])
y = citibike.values

regressor = RandomForestRegressor(n_estimators=100, random_state=0)

eval_on_features(X_hour_week, y, regressor)
# Test-set R^2: 0.84

随机森林使用一周的星期几和每天的时刻两个特征做出的预测

  • 模型学到的内容:8月前23天中星期几与时刻每种组合的平均数量

使用线性回归作为模型进行预测

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
import mglearn


citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X_hour_week), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


X_hour_week = np.hstack([citibike.index.dayofweek.values.reshape(-1, 1), citibike.index.hour.values.reshape(-1, 1)])
y = citibike.values

regressor = LinearRegression()

eval_on_features(X_hour_week, y, regressor)
# Test-set R^2: 0.13

线性模型使用一周的星期几和每天的时刻两个特征做出的预测

  • 预测效果很差
    • 原因:一周的星期几和一周内的时间均为整数编码,被解释为连续变量
      • 线性模型只能学到关于每天时间的线性函数
        • 时间越晚,数量越多

将整数解释为分类变量并使用岭回归进行预测

  • 使用 OneHotEncoder
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.preprocessing import OneHotEncoder
import mglearn

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X_hour_week_onehot), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


enc = OneHotEncoder()
X_hour_week = np.hstack([citibike.index.dayofweek.values.reshape(-1, 1), citibike.index.hour.values.reshape(-1, 1)])
X_hour_week_onehot = enc.fit_transform(X_hour_week).toarray()
y = citibike.values

regressor = Ridge()

eval_on_features(X_hour_week_onehot, y, regressor)
# Test-set R^2: 0.62

线性模型使用one-hot编码过的一周的星期几和每天的时刻两个特征做出的预测

  • 线性模型为一周内的每天都学到了一个系数,为一天内的每个时刻都学到了一个系数
    • 一周7天共享一天内每个时刻

让模型为星期几和时刻的每一种组合学到一个系数并进行预测

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.preprocessing import OneHotEncoder, PolynomialFeatures
import mglearn

citibike = mglearn.datasets.load_citibike()
xticks = pd.date_range(start=citibike.index.min(), end=citibike.index.max(), freq='D')
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)

    print("Test-set R^2: {:.2f}".format(regressor.score(X_test, y_test)))

    y_pred = regressor.predict(X_test)
    y_pred_train = regressor.predict(X_train)

    plt.figure(figsize=(10, 3))
    plt.xticks(range(0, len(X_hour_week_onehot), 8), xticks.strftime("%a %m-%d"), rotation=90, ha="left")
    plt.plot(range(n_train), y_train, label="train")
    plt.plot(range(n_train, len(y_test) + n_train), y_test, '-', label="test")
    plt.plot(range(n_train), y_pred_train, '--', label="prediction train")
    plt.plot(range(n_train, len(y_test) + n_train), y_pred, '--', label="prediction test")

    plt.legend(loc=(1.01, 0))
    plt.xlabel("Date")
    plt.ylabel("Rentals")
    plt.tight_layout()
    plt.show()


enc = OneHotEncoder()
poly_transformer = PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)
X_hour_week = np.hstack([citibike.index.dayofweek.values.reshape(-1, 1), citibike.index.hour.values.reshape(-1, 1)])
X_hour_week_onehot = enc.fit_transform(X_hour_week).toarray()
X_hour_week_onehot_poly = poly_transformer.fit_transform(X_hour_week_onehot)
y = citibike.values

regressor = Ridge()

eval_on_features(X_hour_week_onehot_poly, y, regressor)
# Test-set R^2: 0.85

线性模型使用星期几和时刻两个特征的乘积做出的预测

  • 优点
    • 可以很清楚地看到学到的内容
      • 对每个星期几和时刻的交互项学到了一个系数

将模型学到的系数作图

为时刻和星期几特征创建特征名称
hour = ["%02d:00" % i for i in range(0, 24, 3)]
day = ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]
features = day + hour
对所有交互特征进行命名,并仅保留系数不为零的那些特征
features_poly = poly_transformer.get_feature_names_out(features)
features_nonzero = np.array(features_poly)[regressor.coef_ != 0]
coef_nonzero = regressor.coef_[regressor.coef_ != 0]
将系数可视化
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import Ridge
from sklearn.preprocessing import OneHotEncoder, PolynomialFeatures
import mglearn

citibike = mglearn.datasets.load_citibike()
n_train = 184


def eval_on_features(features, target, regressor):
    X_train, X_test = features[:n_train], features[n_train:]
    y_train, y_test = target[:n_train], target[n_train:]

    regressor.fit(X_train, y_train)


enc = OneHotEncoder()
poly_transformer = PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)
X_hour_week = np.hstack([citibike.index.dayofweek.values.reshape(-1, 1), citibike.index.hour.values.reshape(-1, 1)])
X_hour_week_onehot = enc.fit_transform(X_hour_week).toarray()
X_hour_week_onehot_poly = poly_transformer.fit_transform(X_hour_week_onehot)
y = citibike.values

regressor = Ridge()

eval_on_features(X_hour_week_onehot_poly, y, regressor)

hour = ["%02d:00" % i for i in range(0, 24, 3)]
day = ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]
features = day + hour

features_poly = poly_transformer.get_feature_names_out(features)
features_nonzero = np.array(features_poly)[regressor.coef_ != 0]
coef_nonzero = regressor.coef_[regressor.coef_ != 0]

plt.figure(figsize=(15, 2))
plt.plot(coef_nonzero, 'o')
plt.xticks(np.arange(len(coef_nonzero)), features_nonzero, rotation=90)
plt.xlabel("Feature name")
plt.ylabel("Feature magnitude")

plt.tight_layout()
plt.show()

线性模型使用星期几和时刻两个特征的乘积学到的系数

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1420422.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

[GN] 设计模式—— 创建型模式

文章目录 创建型模式单例模式 -- 确保对象唯一性例子优化饿汉式懒汉式 优缺点使用场景 简单工厂模式例子&#xff1a;优化优缺点适用场景 工厂方法模式 -- 多态工厂的实现例子优缺点优化适用场景 抽象工厂模式 -- 产品族的创建例子优缺点适用场景 总结 创建型模式 单例模式 –…

2024年新提出的算法:(凤头豪猪优化器)冠豪猪优化算法Crested Porcupine Optimizer(附Matlab代码)

本次介绍一种新的自然启发式元启发式算法——凤头豪猪优化器(Crested Porcupine Optimizer&#xff0c;CPO)。该成果于2024年1月发表在中科院1区SCI top期刊Knowledge-Based Systems&#xff08;IF 8.8&#xff09;上。 1、简介 受到凤头豪猪&#xff08;CP&#xff09;各种…

驼背的危害,远比您能想到的还要多!

现在的年轻人才20多岁的年纪&#xff0c;就拥有了80多岁的腰椎。 不同于老年人由于骨质疏松而引发的驼背&#xff0c;年轻人驼背大部分是因为工作或学习中长期不正常坐姿导致&#xff0c;也称姿势性驼背。 我们日常工作的时候&#xff0c;习惯性的肩膀前倾去工作&#xff0c;导…

【amis低代码前端框架】vue2集成百度低代码前端框架amis

什么是amis&#xff1a;amis 是一个低代码前端框架&#xff0c;它使用 JSON 配置来生成页面&#xff0c;可以减少页面开发工作量&#xff0c;极大提升效率。 第一步&#xff1a;下载amis 命令行内执行以下命令下载安装amis npm i amis第二步&#xff1a;下载完毕amis后 将nod…

[React源码解析] Fiber (二)

在React15及以前, Reconciler采用递归的方式创建虚拟Dom, 但是递归过程不可以中断, 如果组件的层级比较深的话, 递归会占用线程很多时间, 那么会造成卡顿。 为了解决这个问题, React16将递归的无法中断的更新重构为异步的可中断更新, Fiber架构诞生。 文章目录 1.Fiber的结构2…

在Windows11的WSL上运行Llama2-7b-chat 下

上一篇博客讲了我跑Llama的demo的心路历程&#xff08;上一篇博客传送门&#xff09;&#xff0c;这篇我们主要是讲下怎么配置。 快速开始 使用Linux、Linux、Linux&#xff0c;重要的事情说三遍&#xff0c;如果你和我一样懒得安装双系统&#xff0c;那么在Windows下安装一个…

java组装复杂的map结构

如下图数据库查出来的记录要组装成如下图所示的map结构。 直接上代码 package com.rt.test.other;import org.apache.commons.lang.StringUtils;import java.util.*;public class TestMap {public static void main(String[] args) {Map<String,String> mapnew LinkedHa…

vue 使用 v-viewer 用于图片浏览的Vue组件,支持旋转、缩放、翻转等操作,基于viewer.js。

作者连接 npm&#xff1a; npm install v-viewerlegacy viewerjs main.js 引入&#xff1a; // 引入Viewer插件 import VueViewer, { directive as viewerDirective } from v-viewer; // 引入Viewer插件的图片预览器的样式 import viewerjs/dist/viewer.css; // 使用Viewer图片…

深入Pyecharts:桑基图绘制与炫酷效果实战【第38篇—python:桑基图】

文章目录 深入Pyecharts&#xff1a;桑基图绘制与炫酷效果实战桑基图简介安装 Pyecharts简单桑基图的绘制自定义桑基图的炫酷效果高级样式定制 多组数据桑基图的展示动态桑基图的绘制结合真实数据的桑基图案例导出和分享进阶应用&#xff1a;桑基图与其他图表的组合总结 深入Py…

【Java】创建一个SpringBoot项目

软件版本&#xff1a;IDE专业版 一、创建 创建项目时&#xff0c;要注意的有下面几点 1、 为了使用JDK1.8&#xff0c;我们在创建时用阿里云国服&#xff0c;将Server URL &#xff1a; https://start.spring.io/ 或者http://start.springboot.io/更改为&#xff1a;https:/…

Linux-正则表达式

1.正则表达式的定义&#xff1a; 正则表达式通常用于判断语句中&#xff0c;使用字符串描述、匹配一系列符合某个规则的字符串。 正则表达式是由普通字符与元字符组成。 普通字符包括小写字母、数字、标点符号及一些其他符号。元字符是指在正则表达式中具有特殊意义的专用字符&…

redis 极简分布式锁实现

写在前面 工作中遇到&#xff0c;整理 reids 做简单分布式锁的思考博文适合刚接触 redis 的小伙伴理解不足小伙伴帮忙指正 对每个人而言&#xff0c;真正的职责只有一个&#xff1a;找到自我。然后在心中坚守其一生&#xff0c;全心全意&#xff0c;永不停息。所有其它的路都是…

二百二十一、HiveSQL报错:return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask

一、目的 在运行HiveSQL时&#xff0c;执行报错 tatement: FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask 二、在yarn上查看任务报错 The required MAP capability is more than the supported max container capability in t…

springboot3+vue支付宝在线支付案例-解决跨域请求的问题

springboot3vue支付宝在线支付案例-解决跨域请求的问题&#xff01;为了使用外网地址&#xff0c;跨域请求业务接口。我们需要设置一个类。配置一下。 我们采用的方案是。借助于 WebMvcConfigurer package com.example.demo.config;import org.springframework.context.annot…

MySQL前百分之N问题--percent_rank()函数

PERCENT_RANK()函数 PERCENT_RANK()函数用于将每行按照(rank - 1) / (rows - 1)进行计算,用以求MySQL中前百分之N问题。其中&#xff0c;rank为RANK()函数产生的序号&#xff0c;rows为当前窗口的记录总行数 PERCENT_RANK()函数返回介于 0 和 1 之间的小数值 selectstudent_…

Git安装,Git镜像,Git已安装但无法使用解决经验

git下载地址&#xff1a; Git - 下载 (git-scm.com) <-git官方资源 Git for Windows (github.com) <-github资源 CNPM Binaries Mirror (npmmirror.com) <-阿里镜像&#xff08;推荐&#xff0c;镜…

Android studio打包apk比较大

1.遇到的问题 在集成linphone打包时发现有118m&#xff0c;为什么如此之大额。用studio打开后发现都是c不同的pu架构。 2.解决办法 增加ndk配置&#xff0c;不选配置那么多的cpu结构&#xff0c;根据自己需要调整。 defaultConfig { applicationId "com.matt.linphoneca…

线性代数---------学习总结

线性代数之行列式 行列式的几条重要的性质 1.某两行某两列交换位置之后&#xff0c;值变号 2.行列式转置&#xff0c;值不变 3.范德蒙德行列式&#xff0c;用不同行的公比做一系列的累乘运算 4.把某一行的行列式加到另一行上&#xff0c;利用他们之间的倍数关系&#xff0…

(十)springboot实战——springboot3下的webflux项目mysql数据库事务处理

前言 WebFlux 是 Spring Framework 5.0 中引入的一种新型反应式编程模型&#xff0c;支持非阻塞 I/O&#xff0c;适用于高并发、高吞吐量的应用程序。在 WebFlux 应用程序中使用事务需要注意以下几点。使用 Reactive R2DBC&#xff1a;WebFlux 支持使用 Reactive R2DBC 访问关…

20240130在ubuntu20.04.6下给GTX1080安装最新的驱动和CUDA

20240130在ubuntu20.04.6下给GTX1080安装最新的驱动和CUDA 2024/1/30 12:27 缘起&#xff0c;为了在ubuntu20.4.6下使用whisper&#xff0c;以前用的是GTX1080M&#xff0c;装了535的驱动。 现在在PDD拼多多上了入手了一张二手的GTX1080&#xff0c;需要将安装最新的545的驱动程…