【课程总结】Day6(下)：机器学习项目实战

机器学习项目实战：成人收入预测

项目目的

基于个人收入数据(包括教育程度、年龄、性别等)的数据集，通过机器学习算法，预测一个人的年收入是否超过5万美金。

数据集

地址：http://idatascience.cn/dataset-detail?table_id=100368

数据集字段

字段名称	字段类型	字段说明
age	数值型	年龄
workclass	字符型	工作类型
fnlwgt	字符型	序号
education	字符型	教育程度
education-num	数值型	受教育时长
marital-status	字符型	婚姻状况
occupation	字符型	职业
relationship	字符型	关系
race	字符型	种族
sex	字符型	性别
capital-gain	数值型	资本收益
capital-loss	数值型	资本损失
hours-per-week	数值型	每周工作小时数
native-country	字符型	原籍
salary	字符型	收入

数据集样例：

解决思路

分析输入/输出

通过分析，本次项目我们要解决的问题：给定一个人的相关信息(包括年龄、教育程度、受教育时长等)，预测其收入是否超过5万。

该问题如果是预测其收入是多少，那么就属于线性回归问题；但数据集中在收入标签是>=5万或<5万，所以这应该是一个分类问题。

分析相关输入/输出如下：

输入：一个人的信息(包括年龄、教育程度、受教育时长等)
输出：0为<=50K，1为>50K

构建数据集

分析数据类型

首先，我们先分析一下如何将数据集向量化，通过以下代码来查看数据集每列的内容：

import csv
import numpy as np
def read_file(file_path, skip_header=True):
  """
  读取CSV文件的内容。
  参数:
      file_path (str): CSV文件的路径。
      skip_header (bool): 是否跳过表头数据，默认为True。
  返回:
      list: 包含CSV文件内容的列表。
  """
  print(f'读取原始数据集文件: {file_path}')
  with open(file_path, 'r', encoding='utf-8') as f:
      if skip_header:
          # 跳过表头数据
          f.readline()
      reader = csv.reader(f)
      return [row for row in reader]  # 读取csv文件的内容

    
def print_unique_columns(data):
    """
    打印表格数据中每一列去重后的数据。
    参数:
        data (list): 包含表格数据的列表。
    """
    if not data:
        print("没有读取到任何数据。")
        return

    # 获取每一列的数据
    columns = zip(*data)

    # 打印每一列去重后的数据
    for i, column in enumerate(columns):
        unique_values = set(column)
        unique_count = len(unique_values)
        print(f"第{i}列去重后的数据(最多前20个):")
        
        # 如果数据大于20个,则只打印前20个
        if unique_count > 20:
            for value in list(unique_values)[:20]:
                print(value)
            print(f"共 {unique_count} 个不同的值")
        else:
            for value in unique_values:
                print(value)
            print(f"共 {unique_count} 个不同的值")
        print()
        
data = read_file('./成人收入预测数据集.csv')
print_unique_columns(data)

运行结果：

对上述每一列内容进行梳理，梳理结果如下：

列的序号(第几列)	原始数据表头名称	表头名称中文解释	对应列取值举例	取值个数	数据类型	数据处理办法
0	age	年龄	69, 62, 37, 80, 34	73	连续量	保留
1	workclass	工作类型	Without-pay, State-gov, Federal-gov	9	离散量	保留
2	fnlwgt	疑似邮编编号	226092, 209770, 31840	21648	连续量	舍弃
3	education	教育程度	Masters, Bachelors, Some-college	16	离散量	保留
4	education-num	教育年限	3, 4, 16, 2, 11	16	连续量	保留
5	marital-status	婚姻状况	Divorced, Separated, Never-married	7	离散量	保留
6	occupation	职业类型	Exec-managerial, Adm-clerical, Handlers-cleaners	15	离散量	保留
7	relationship	家庭关系	Wife, Not-in-family, Other-relative	6	离散量	保留
8	race	种族	Amer-Indian-Eskimo, White, Black	5	离散量	保留
9	sex	性别	Female, Male	2	离散量	保留
10	capital-gain	投资利得	3781, 2062, 401	119	连续量	保留
11	capital-loss	投资损失	1816, 1876, 1762	92	连续量	保留
12	hours-per-week	每周工作时长	37, 80, 34	94	连续量	保留
13	native-country	出生国家	Japan, England, Guatemala	42	离散量	保留

通过分析上述每列内容可知：

数据集中，age、education-num、capital-gain、capital-loss、hours-per-week等字段的内容一般都是数字，可以视为连续量。这类数据直接使用即可，不需要做向量化处理(因为是数字，机器能够处理)。
数据集中，workclass、education、marital-status、occupation、relationship、race、sex、native-country等字段内容一般都是表示状态，属于离散量；由于其内容不是数字，为了让机器能够处理，我们后续需要进行向量化处理。
数据集中，fnlwgt疑似是连续量，但是查看取值个数(21648)与总样本个数(32561个)不一致，所以确定该列不是类似身份证号的唯一编号数据(如果身份证可以舍弃，因为身份证跟收入没啥关系)；该列可能是类似邮编的数据，虽然邮编可能与收入有一定关系，但是因为其取值数量比较大(21648个)，这会导致特征数据过去庞大，所以选择舍弃。

离散量的编码

通过与chatGPT交流，我们了解到，离散量的编码常见方式有One-Hot编码、标签编码、序数编码、Target编码、哈希编码、实体嵌入。

One-Hot编码:
- 编码方式：将每个离散特征转换为多个二进制特征。
- 优点：能够很好地表示分类特征,不会引入大小关系。
- 缺点：会增加特征维度。
- 适用场景：适用于没有大小关系的分类特征,如性别、产品类别等。
标签编码(Label Encoding):
- 编码方式：将每个离散特征的取值映射为一个整数值。
- 优点：简单直观。
- 缺点：可能会让算法认为特征之间存在大小关系。
- 适用场景：适用于没有明确大小关系的分类特征,但要注意可能带来的影响。
序数编码(Ordinal Encoding):
- 编码方式：将每个离散特征的取值映射为一个有序的整数值。
- 优点：能够保留特征之间的大小关系。
- 缺点：对于没有明确大小关系的离散特征可能不太合适。
- 适用场景：适用于有明确大小关系的有序离散特征,如学历、星级等。
Target编码:
- 编码方式：将每个离散特征的取值映射为目标变量的平均值或中位数。
- 优点：能够捕捉特征取值与目标变量之间的关系,通常能提高模型性能。
- 缺点：需要提前知道目标变量,不适用于无监督学习。
- 适用场景：适用于有监督学习问题中,当目标变量与离散特征存在相关性时。
哈希编码:
- 编码方式：将每个离散特征的取值通过哈希函数映射为一个整数值。
- 优点：在处理高基数特征时较为有效,能减少内存占用。
- 缺点：可能会产生冲突,导致信息丢失。
- 适用场景：适用于高基数离散特征,且内存受限的情况下。
实体嵌入(Entity Embedding):
- 编码方式：将每个离散特征的取值映射为一个低维的稠密向量。
- 优点：能够学习特征之间的潜在关系,通常能提高模型性能。
- 缺点：需要额外的训练过程来学习嵌入向量。
- 适用场景：适用于复杂的机器学习问题,如自然语言处理、推荐系统等,能够更好地捕捉特征之间的潜在关系。

分析上述编码内容，其中

Target编码、哈希编码、实体嵌入暂未学习到，本次暂不做考虑。
标签编码、序数编码由于其存在潜在的数字大小对比，让算法认为特征之间存在大小关系，所以并不适用于上述的婚姻状况、职业类型、国家等。

所以，综上所述本次练习使用One-Hot编码，其编码示意图如下：

基于上面的思想，我们通过与GPT沟通了解到，sklearn的库函数中有OneHotEncoder，使用方法如下：

import numpy as np
from sklearn.preprocessing import OneHotEncoder

# 示例数据
data = np.array([
    ['A', 'X', 'P'],
    ['B', 'Y', 'Q'],
    ['A', 'X', 'R'],
    ['B', 'Z', 'Q']
])

# 创建 OneHotEncoder 实例
encoder = OneHotEncoder(sparse_output=False)

# 对数据进行one-hot编码
encoded_data = encoder.fit_transform(data)

print("原始数据:")
print(data)
print("\n编码后的数据:")
print(encoded_data)

执行结果如下：

分离特征和标签

def split_data(data):
    """
    将数据分割为标签和数据。
    参数:
        data (list): 数据行的列表，第一个元素是标签。
    返回:
        numpy.ndarray: 标签数组。
        numpy.ndarray: 连接元素后的数据数组。
    """

    # 去除每个元素的前后空格
    data = [[col.strip() for col in row] for row in data]

    # 分离数据和标签
    n_label = np.array([row[-1] for row in data])
    n_data = np.array([row[:-1] for row in data])

    return n_label, n_data


csv_data = read_file('./成人收入预测数据集.csv')
label, data = split_data(csv_data)
label, data

运行结果：

处理特征列

这部分的处理较为麻烦，整体思路是这样：

1、实现一个函数，传入三个参数：分别是离散量列的序号、连续量列序号和丢弃列序号

2、函数根据传入的列序号，分别进行如下处理：

如果是连续量列，取出对应的列，不用做处理；
如果是离散量列，取出对应的列，使用OneHotEncoder进行编码
如果是丢弃列，则在矩阵中删除对应的列

最后，在去除丢弃列之后，将连续量列和离散量列按照列方向堆叠为一个新的矩阵

import numpy as np
from sklearn.preprocessing import OneHotEncoder, StandardScaler

def vectorize_data_with_sklearn(data, onehot_cols, continuous_cols, exclude_cols=None):
    """
    使用scikit-learn将给定的NumPy数组中的数据进行one-hot编码和标准化处理。

    参数:
    data (np.ndarray): 输入的NumPy数组
    onehot_cols (list): 需要进行one-hot编码的列索引
    continuous_cols (list): 不需要one-hot编码的连续量列索引
    exclude_cols (list, optional): 需要排除的列索引

    返回:
    np.ndarray: 经过one-hot编码和标准化的向量化数据
    """
    # 排除不需要处理的列
    if exclude_cols:
        data = np.delete(data, exclude_cols, axis=1)
        onehot_cols = [col - sum(col > exc for exc in exclude_cols) for col in onehot_cols if col not in exclude_cols]
        # 解释过程:
        # 1. 遍历 onehot_cols 中的每个索引 col
        # 2. 检查 col 是否在 exclude_cols 中
        #    - 如果在,计算 col 在 exclude_cols 中的位置 sum(col > exc for exc in exclude_cols)
        #    - 并从 col 中减去这个值,更新 col 的索引
        #    - 例如: col = 1, 在 exclude_cols 中的位置为 0, 则更新后 col = 1 - 0 = 1
        #    - ⭐ 这样可以确保 onehot_cols 中的索引能正确对应到数据的列
        # 3. 如果 col 不在 exclude_cols 中,则保留原始索引

        continuous_cols = [col - sum(col > exc for exc in exclude_cols) for col in continuous_cols if col not in exclude_cols]
        # 解释过程:
        # 1. 遍历 continuous_cols 中的每个索引 col
        # 2. 检查 col 是否在 exclude_cols 中
        #    - 如果在,计算 col 在 exclude_cols 中的位置 sum(col > exc for exc in exclude_cols)
        #    - 并从 col 中减去这个值,更新 col 的索引
        #    - 例如: col = 2, 在 exclude_cols 中的位置为 0, 则更新后 col = 2 - 0 = 2
        #    - ⭐ 这样可以确保 continuous_cols 中的索引能正确对应到数据的列
        # 3. 如果 col 不在 exclude_cols 中,则保留原始索引

    else:
        onehot_cols = onehot_cols[:]
        continuous_cols = continuous_cols[:]

    # 对离散量列进行one-hot编码
    onehot_encoder = OneHotEncoder(sparse_output=False)
    one_hot_data = onehot_encoder.fit_transform(data[:, onehot_cols])

    # 对连续量列进行标准化
    scaler = StandardScaler()
    continuous_data = scaler.fit_transform(data[:, continuous_cols])

    # 将one-hot编码结果和标准化后的连续量列拼接起来
    final_data = np.hstack((one_hot_data, continuous_data))

    return final_data
  
  
csv_data = read_file('./成人收入预测数据集.csv')
label, data = split_data(csv_data)

# 对数据进行切分
onehot_cols = [1, 3, 5, 6, 7, 8, 9, 13]
continuous_cols = [0, 2, 4, 10, 11, 12]

# 排除列增加最后一列
exclude_cols = [2, 13]
vectorized_data = vectorize_data_with_sklearn(data, onehot_cols, continuous_cols, exclude_cols)
vectorized_data

运行结果：

处理标签列

因为标签列的内容只有两种情况：‘<=50K’ 和’>50K’，所以只需要将这一列中’<=50K’替换为0，'>50K’替换为1即可。

import numpy as np
from sklearn.preprocessing import LabelBinarizer

def binarize_labels(labels):
    """
    将标签二值化。
    参数:
        labels (numpy.ndarray): 原始标签数组。
    返回:
        numpy.ndarray: 二值化后的标签数组。
    """
    lb = LabelBinarizer()
    binarized_labels = lb.fit_transform(labels)
    return binarized_labels

vectorized_label = binarize_labels(label)
vectorized_label

试验算法

为了能够将整个流程跑通，我们仍然选择决策树算法跑通流程。


from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

def decision_tree(label, data, test_size=0.2):
    """
    决策树模型的训练和评估。
    参数:
        train_data_file_path (str): 向量化数据的文件路径。
        test_size (float): 测试集的比例，默认为0.2。
    """
    print('开始加载训练数据...')

    # 训练集和测试集切分
    X_train, X_test, y_train, y_test = train_test_split(data, label, test_size=test_size)

    print('开始训练决策树模型...')
    # 数据预测
    clf = DecisionTreeClassifier()
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)

    # 评估
    print('开始决策树预测...')
    accuracy = np.mean(y_pred == y_test)
    print(f'预测准确率：{accuracy}')

# 读取文件
listdata = read_file('./成人收入预测数据集.csv')
# 对数据进行切分
label, data = split_data(listdata)

# 对数据进行切分
onehot_cols = [1, 3, 5, 6, 7, 8, 9, 13]
continuous_cols = [0, 2, 4, 10, 11, 12]

# 排除列增加最后一列
exclude_cols = [2, 13]    
vectorized_data = vectorize_data_with_sklearn(data, onehot_cols, continuous_cols, exclude_cols)
vectorized_label = binarize_labels(label)

decision_tree(vectorized_label, vectorized_data)