分类问题属于机器学习问题的类别，其中给定一组特征，任务是预测离散值。分类问题的一些常见示例是，预测肿瘤是否为癌症，或者学生是否可能通过考试。

最近我们被客户要求撰写关于银行客户流失的研究报告，包括一些图形和统计输出。在本文中，鉴于银行客户的某些特征，我们将预测客户在6个月后是否可能离开银行。客户离开组织的现象也称为客户流失。因此，我们的任务是根据各种客户特征预测客户流失。


 $ pip install pytorch

数据集

让我们将所需的库和数据集导入到我们的Python应用程序中：


import torch
import torch.nn as nn
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

我们可以使用pandas库的read_csv()方法来导入包含我们的数据集的CSV文件。


dataset = pd.read_csv(r'E:Datasets\customer_data.csv')

让我们输出数据集：


dataset.shape

输出：


(10000, 14)

输出显示该数据集具有1万条记录和14列。我们可以使用head()数据框的方法来输出数据集的前五行。


dataset.head()

输出：

您可以在我们的数据集中看到14列。根据前13列，我们的任务是预测第14列的值，即Exited。

探索性数据分析

让我们对数据集进行一些探索性数据分析。我们将首先预测6个月后实际离开银行并使用饼图进行可视化的客户比例。让我们首先增加图形的默认绘图大小：


fig_size = plt.rcParams["figure.figsize"]
fig_size[0] = 10
fig_size[1] = 8
plt.rcParams["figure.figsize"] = fig_size

以下脚本绘制该Exited列的饼图。


dataset.Exited.value_counts().plot(kind='pie', autopct='%1.0f%%', colors=['skyblue', 'orange'], explode=(0.05, 0.05))

输出：

输出显示，在我们的数据集中，有20％的客户离开了银行。这里1代表客户离开银行的情况，0代表客户没有离开银行的情况。让我们绘制数据集中所有地理位置的客户数量：

输出显示，几乎一半的客户来自法国，而西班牙和德国的客户比例分别为25％。

现在，让我们绘制来自每个唯一地理位置的客户数量以及客户流失信息。我们可以使用库中的countplot()函数seaborn来执行此操作。

输出显示，尽管法国客户总数是西班牙和德国客户总数的两倍，但法国和德国客户离开银行的客户比例是相同的。同样，德国和西班牙客户的总数相同，但是离开银行的德国客户数量是西班牙客户的两倍，这表明德国客户在6个月后离开银行的可能性更大。

数据预处理

在训练PyTorch模型之前，我们需要预处理数据。如果查看数据集，您将看到它具有两种类型的列：数值列和分类列。数字列包含数字信息。CreditScore，Balance，Age等。类似地，Geography和Gender是分类列，因为它们含有分类信息，如客户的位置和性别。有几列可以视为数字列和类别列。例如，该HasCrCard列的值可以为1或0。但是，那HasCrCard列包含有关客户是否拥有信用卡的信息。

让我们再次输出数据集中的所有列，并找出哪些列可以视为数字列，哪些列应该视为类别列。columns数据框的属性显示所有列名称：

Index(['RowNumber', 'CustomerId', 'Surname', 'CreditScore', 'Geography', 'Gender', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'HasCrCard', 'IsActiveMember', 'EstimatedSalary', 'Exited'], dtype='object')

从我们的数据列，我们将不使用的RowNumber，CustomerId以及Surname列，因为这些列的值是完全随机的，并与输出无关。例如，客户的姓氏对客户是否离开银行没有影响。其中列的其余部分，Geography，Gender，HasCrCard，和IsActiveMember列可以被视为类别列。让我们创建这些列的列表：除该列外，其余所有列均可视为数字列。


numerical_columns = ['CreditScore', 'Age', 'Tenure', 'Balance', 'NumOfProducts', 'EstimatedSalary']

最后，输出（Exited列中的值）存储在outputs变量中。

我们已经创建了分类，数字和输出列的列表。但是，目前，分类列的类型不是分类的。您可以使用以下脚本检查数据集中所有列的类型：
输出：


RowNumber            int64
CustomerId           int64
Surname             object
CreditScore          int64
Geography           object
Gender              object
Age                  int64
Tenure               int64
Balance            float64
NumOfProducts        int64
HasCrCard            int64
IsActiveMember       int64
EstimatedSalary    float64
Exited               int64
dtype: object

您可以看到Geography和Gender列的类型是object，HasCrCard和IsActive列的类型是int64。我们需要将分类列的类型转换为category。我们可以使用astype()函数来做到这一点，

现在，如果再次绘制数据集中各列的类型，您将看到以下结果：

输出量


RowNumber             int64
CustomerId            int64
Surname              object
CreditScore           int64
Geography          category
Gender             category
Age                   int64
Tenure                int64
Balance             float64
NumOfProducts         int64
HasCrCard          category
IsActiveMember     category
EstimatedSalary     float64
Exited                int64
dtype: object

现在让我们查看Geography列中的所有类别：

Index(['France', 'Germany', 'Spain'], dtype='object')

当您将列的数据类型更改为类别时，该列中的每个类别都会分配一个唯一的代码。例如，让我们绘制列的前五行，Geography并输出前五行的代码值：

输出：


0    France
1     Spain
2    France
3    France
4     Spain
Name: Geography, dtype: category
Categories (3, object): [France, Germany, Spain]

以下脚本在该列的前五行中绘制了值的代码Geography：

输出：


0    0
1    2
2    0
3    0
4    2
dtype: int8

输出显示法国已编码为0，西班牙已编码为2。

将分类列与数字列分开的基本目的是，可以将数字列中的值直接输入到神经网络中。但是，必须首先将类别列的值转换为数字类型。分类列中的值的编码部分地解决了分类列的数值转换的任务。

由于我们将使用PyTorch进行模型训练，因此需要将分类列和数值列转换为张量。首先让我们将分类列转换为张量。在PyTorch中，可以通过numpy数组创建张量。我们将首先将四个分类列中的数据转换为numpy数组，然后将所有列水平堆叠，如以下脚本所示：


geo = dataset['Geography'].cat.codes.values
...

上面的脚本输出分类列中前十条记录。输出如下：输出：


array([[0, 0, 1, 1],
       [2, 0, 0, 1],
       [0, 0, 1, 0],
       [0, 0, 0, 0],
       [2, 0, 1, 1],
       [2, 1, 1, 0],
       [0, 1, 1, 1],
       [1, 0, 1, 0],
       [0, 1, 0, 1],
       [0, 1, 1, 1]], dtype=int8)

现在要从上述numpy数组创建张量，您只需将数组传递给模块的tensor类torch。

输出：


tensor([[0, 0, 1, 1],
        [2, 0, 0, 1],
        [0, 0, 1, 0],
        [0, 0, 0, 0],
        [2, 0, 1, 1],
        [2, 1, 1, 0],
        [0, 1, 1, 1],
        [1, 0, 1, 0],
        [0, 1, 0, 1],
        [0, 1, 1, 1]])

在输出中，您可以看到类别数据的numpy数组现在已转换为tensor对象。同样，我们可以将数值列转换为张量：



numerical_data = np.stack([dataset[col].values for col in numerical_columns], 1)
...

输出：


tensor([[6.1900e+02, 4.2000e+01, 2.0000e+00, 0.0000e+00, 1.0000e+00, 1.0135e+05],
        [6.0800e+02, 4.1000e+01, 1.0000e+00, 8.3808e+04, 1.0000e+00, 1.1254e+05],
        [5.0200e+02, 4.2000e+01, 8.0000e+00, 1.5966e+05, 3.0000e+00, 1.1393e+05],
        [6.9900e+02, 3.9000e+01, 1.0000e+00, 0.0000e+00, 2.0000e+00, 9.3827e+04],
        [8.5000e+02, 4.3000e+01, 2.0000e+00, 1.2551e+05, 1.0000e+00, 7.9084e+04]])

在输出中，您可以看到前五行，其中包含我们数据集中六个数字列的值。最后一步是将输出的numpy数组转换为tensor对象。输出：


tensor([1, 0, 1, 0, 0])

现在，让我们绘制分类数据，数值数据和相应输出的形状： 输出：


torch.Size([10000, 4])
torch.Size([10000, 6])
torch.Size([10000])

在训练模型之前，有一个非常重要的步骤。我们将分类列转换为数值，其中唯一值由单个整数表示。例如，在该Geography列中，我们看到法国用0表示，德国用1表示。我们可以使用这些值来训练我们的模型。但是，更好的方法是以N维向量的形式表示分类列中的值，而不是单个整数。

我们需要为所有分类列定义矢量大小。关于维数没有严格的规定。定义列的嵌入大小的一个好的经验法则是将列中唯一值的数量除以2（但不超过50）。例如，对于该Geography列，唯一值的数量为3。该Geography列的相应嵌入大小将为3/2 = 1.5 = 2（四舍五入）。以下脚本创建一个元组，其中包含所有类别列的唯一值数量和维度大小：


categorical_column_sizes = [len(dataset[column].cat.categories) for column in categorical_columns]
...

输出：


[(3, 2), (2, 1), (2, 1), (2, 1)]

使用训练数据对监督型深度学习模型（例如我们在本文中开发的模型）进行训练，并在测试数据集上评估模型的性能。因此，我们需要将数据集分为训练集和测试集，如以下脚本所示：


total_records = 10000
....

我们的数据集中有1万条记录，其中80％的记录（即8000条记录）将用于训练模型，而其余20％的记录将用于评估模型的性能。注意，在上面的脚本中，分类和数字数据以及输出已分为训练集和测试集。为了验证我们已正确地将数据分为训练和测试集：


print(len(categorical_train_data))
print(len(numerical_train_data))
print(len(train_outputs))

print(len(categorical_test_data))
print(len(numerical_test_data))
print(len(test_outputs))

输出：

创建预测模型

我们将数据分为训练集和测试集，现在是时候定义训练模型了。为此，我们可以定义一个名为的类Model，该类将用于训练模型。看下面的脚本：


class Model(nn.Module):

    def __init__(self, embedding_size, num_numerical_cols, output_size, layers, p=0.4):
        super().__init__()
        self.all_embeddings = nn.ModuleList([nn.Embedding(ni, nf) for ni, nf in embedding_size])
        self.embedding_dropout = nn.Dropout(p)
        self.batch_norm_num = nn.BatchNorm1d(num_numerical_cols)



        return x

接下来，要查找输入层的大小，将类别列和数字列的数量加在一起并存储在input_size变量中。之后，for循环迭代，并将相应的层添加到all_layers列表中。添加的层是：

Linear：用于计算输入和权重矩阵之间的点积
ReLu：用作激活函数
BatchNorm1d：用于对数字列应用批量归一化
Dropout：用于避免过拟合

在后for循环中，输出层被附加到的层的列表。由于我们希望神经网络中的所有层都按顺序执行，因此将层列表传递给nn.Sequential该类。

接下来，在该forward方法中，将类别列和数字列都作为输入传递。类别列的嵌入在以下几行中进行。

embeddings = []
...

数字列的批量归一化可通过以下脚本应用：

x_numerical = self.batch_norm_num(x_numerical)

最后，将嵌入的分类列x和数字列x_numerical连接在一起，并传递给sequence layers。

训练模型

要训练模型，首先我们必须创建Model在上一节中定义的类的对象。

您可以看到我们传递了分类列的嵌入大小，数字列的数量，输出大小（在我们的例子中为2）以及隐藏层中的神经元。您可以看到我们有三个分别具有200、100和50个神经元的隐藏层。
让我们输出模型并查看：


print(model)

输出：


Model(
  (all_embeddings): ModuleList(
 ...
  )
)

您可以看到，在第一线性层中，in_features变量的值为11，因为我们有6个数字列，并且类别列的嵌入维数之和为5，因此6 + 5 = 11。out_features的值为2，因为我们只有2个可能的输出。

在实际训练模型之前，我们需要定义损失函数和将用于训练模型的优化器。以下脚本定义了损失函数和优化器：


loss_function = nn.CrossEntropyLoss()

现在，我们训练模型。以下脚本训练模型：


epochs = 300
aggregated_losses = []

for i in range(epochs):


print(f'epoch: {i:3} loss: {single_loss.item():10.10f}')

神经元元数设置为300，这意味着要训练模型，完整的数据集将使用300次。for为每次迭代期间循环的执行方式，损失是使用损耗函数来计算。每次迭代过程中的损失将添加到aggregated_loss列表中。

上面脚本的输出如下：

epoch:   1 loss: 0.71847951
epoch:  26 loss: 0.57145703
epoch:  51 loss: 0.48110831
epoch:  76 loss: 0.42529839
epoch: 101 loss: 0.39972275
epoch: 126 loss: 0.37837571
epoch: 151 loss: 0.37133673
epoch: 176 loss: 0.36773482
epoch: 201 loss: 0.36305946
epoch: 226 loss: 0.36079505
epoch: 251 loss: 0.35350436
epoch: 276 loss: 0.35540250
epoch: 300 loss: 0.3465710580

以下脚本绘制了各个时期的损失函数：

plt.plot(range(epochs), aggregated_losses)
plt.ylabel('Loss')
plt.xlabel('epoch');

输出：

输出显示，最初损失函数迅速降低。在250个步长之后，损失几乎没有减少。

做出预测

最后一步是对测试数据进行预测。为此，我们只需要将categorical_test_data和numerical_test_data传递给model该类。然后可以将返回的值与实际测试输出值进行比较。以下脚本对测试类进行预测，并输出测试数据的交叉熵损失。


with torch.no_grad():
...

输出：


Loss: 0.36855841

测试集上的损失为0.3685，比训练集上获得的0.3465略多，这表明我们的模型有些过拟合。由于我们指定输出层将包含2个神经元，因此每个预测将包含2个值。例如，前5个预测值如下所示：


print(y_val[:5])

输出：


tensor([[ 1.2045, -1.3857],
        [ 1.3911, -1.5957],
        [ 1.2781, -1.3598],
        [ 0.6261, -0.5429],
        [ 2.5430, -1.9991]])

这种预测的思想是，如果实际输出为0，则索引0处的值应大于索引1处的值，反之亦然。我们可以使用以下脚本检索列表中最大值的索引：


y_val = np.argmax(y_val, axis=1)

输出：现在让我们再次输出y_val列表的前五个值：


print(y_val[:5])

输出：


tensor([0, 0, 0, 0, 0])

由于在最初预测的输出列表中，对于前五个记录，零索引处的值大于第一索引处的值，因此可以在已处理输出的前五行中看到0。

最后，我们可以使用从sklearn.metrics模块confusion_matrix，accuracy_score以及classification_report类找到了准确度，精密度和召回值，混淆矩阵。

from sklearn.metrics import classification_report, confusion_matrix, accuracy_score

print(confusion_matrix(test_outputs,y_val))
print(classification_report(test_outputs,y_val))
print(accuracy_score(test_outputs, y_val))

输出：

[[1527   83]
 [ 224  166]]
              precision    recall  f1-score   support

           0       0.87      0.95      0.91      1610
           1       0.67      0.43      0.52       390

   micro avg       0.85      0.85      0.85      2000
   macro avg       0.77      0.69      0.71      2000
weighted avg       0.83      0.85      0.83      2000

0.8465

输出结果表明，我们的模型达到了84.65％的精度，考虑到我们随机选择神经网络模型的所有参数这一事实，这非常令人印象深刻。我建议您尝试更改模型参数，例如训练/测试比例，隐藏层的数量和大小等，以查看是否可以获得更好的结果。