UdaCity-机器学习工程师-项目2:为CharityML寻找捐献者

机器学习纳米学位

监督学习

项目2: 为 CharityML 寻找捐献者

欢迎来到机器学习工程师纳米学位的第二个项目！在此文件中，有些示例代码已经提供给你，但你还需要实现更多的功能让项目成功运行。除非有明确要求，你无须修改任何已给出的代码。以 '练习' 开始的标题表示接下来的代码部分中有你必须要实现的功能。每一部分都会有详细的指导，需要实现的部分也会在注释中以'TODO'标出。请仔细阅读所有的提示！

除了实现代码外，你还必须回答一些与项目和你的实现有关的问题。每一个需要你回答的问题都会以 '问题 X' 为标题。请仔细阅读每个问题，并且在问题后的 '回答' 文字框中写出完整的答案。我们将根据你对问题的回答和撰写代码所实现的功能来对你提交的项目进行评分。

提示：Code 和 Markdown 区域可通过 Shift + Enter 快捷键运行。此外，Markdown可以通过双击进入编辑模式。

开始

在这个项目中，你将使用1994年美国人口普查收集的数据，选用几个监督学习算法以准确地建模被调查者的收入。然后，你将根据初步结果从中选择出最佳的候选算法，并进一步优化该算法以最好地建模这些数据。你的目标是建立一个能够准确地预测被调查者年收入是否超过50000美元的模型。这种类型的任务会出现在那些依赖于捐款而存在的非营利性组织。了解人群的收入情况可以帮助一个非营利性的机构更好地了解他们要多大的捐赠，或是否他们应该接触这些人。虽然我们很难直接从公开的资源中推断出一个人的一般收入阶层，但是我们可以（也正是我们将要做的）从其他的一些公开的可获得的资源中获得一些特征从而推断出该值。

这个项目的数据集来自 UCI机器学习知识库 。这个数据集是由Ron Kohavi和Barry Becker在发表文章 "Scaling Up the Accuracy of Naive-Bayes Classifiers: A Decision-Tree Hybrid" 之后捐赠的，你可以在Ron Kohavi提供的 在线版本 中找到这个文章。我们在这里探索的数据集相比于原有的数据集有一些小小的改变，比如说移除了特征 'fnlwgt' 以及一些遗失的或者是格式不正确的记录。

探索数据

运行下面的代码单元以载入需要的 Python 库并导入人口普查数据。注意数据集的最后一列 'income' 将是我们需要预测的列（表示被调查者的年收入会大于或者是最多50,000美元），人口普查数据中的每一列都将是关于被调查者的特征。

# 检查你的Python版本
from sys import version_info
if version_info.major != 2 and version_info.minor != 7:
    raise Exception('请使用Python 2.7来完成此项目')

# 为这个项目导入需要的库
import numpy as np
import pandas as pd
from time import time
from IPython.display import display # 允许为DataFrame使用display()

# 导入附加的可视化代码visuals.py
import visuals as vs

# 为notebook提供更加漂亮的可视化
%matplotlib inline

# 导入人口普查数据
data = pd.read_csv("census.csv")

# 成功 - 显示第一条记录
display(data.head(n=1))

image.png

练习：数据探索

首先我们对数据集进行一个粗略的探索，我们将看看每一个类别里会有多少被调查者？并且告诉我们这些里面多大比例是年收入大于50,000美元的。在下面的代码单元中，你将需要计算以下量：

'n_records'
'n_greater_50k'
'n_at_most_50k'
'greater_percent'

提示：您可能需要查看上面的生成的表，以了解 'income' 条目的格式是什么样的。

# TODO：总的记录数
n_records = data.shape[0]

# TODO：被调查者的收入大于$50,000的人数
n_greater_50k = data[data.income == '>50K'].shape[0]

# TODO：被调查者的收入最多为$50,000的人数
n_at_most_50k = data[data.income == '<=50K'].shape[0]

# TODO：被调查者收入大于$50,000所占的比例
greater_percent = float(n_greater_50k) / float(n_records) * 100

# 打印结果
print "\033[1;34m Total number of records: {} \033[0m".format(n_records)
print "\033[1;34m Individuals making more than $50,000: {} \033[0m".format(n_greater_50k)
print "\033[1;34m Individuals making at most $50,000: {} \033[0m".format(n_at_most_50k)
print "\033[1;34m Percentage of individuals making more than $50,000: {:.2f} \033[0m".format(greater_percent)

Total number of records: 45222

Individuals making more than $50,000: 11208

Individuals making at most $50,000: 34014

Percentage of individuals making more than $50,000: 24.78

准备数据

在数据能够被作为输入提供给机器学习算法之前，它经常需要被清洗，格式化，和重新组织 - 这通常被叫做 预处理 。幸运的是，对于这个数据集，没有我们必须处理的无效或丢失的条目，然而，由于某一些特征存在的特性我们必须进行一定的调整。这个预处理都可以极大地帮助我们提升几乎所有的学习算法的结果和预测能力。

获得特征和标签

income 列是我们需要的标签，记录一个人的年收入是否高于50K。 因此我们应该把他从数据中剥离出来，单独存放。

# 将数据切分成特征和对应的标签
income_raw = data['income']
features_raw = data.drop('income', axis = 1)

转换倾斜的连续特征

一个数据集有时可能包含至少一个靠近某个数字的特征，但有时也会有一些相对来说存在极大值或者极小值的不平凡分布的的特征。算法对这种分布的数据会十分敏感，并且如果这种数据没有能够很好地规一化处理会使得算法表现不佳。在人口普查数据集的两个特征符合这个描述：' capital-gain' 和 'capital-loss' 。

运行下面的代码单元以创建一个关于这两个特征的条形图。请注意当前的值的范围和它们是如何分布的。

# 可视化 'capital-gain'和'capital-loss' 两个特征
vs.distribution(features_raw)

image.png

对于高度倾斜分布的特征如 'capital-gain' 和 'capital-loss' ，常见的做法是对数据施加一个<a href="https://en.wikipedia.org/wiki/Data_transformation_(statistics)">对数转换</a>，将数据转换成对数，这样非常大和非常小的值不会对学习算法产生负面的影响。并且使用对数变换显著降低了由于异常值所造成的数据范围异常。但是在应用这个变换时必须小心：因为0的对数是没有定义的，所以我们必须先将数据处理成一个比0稍微大一点的数以成功完成对数转换。

运行下面的代码单元来执行数据的转换和可视化结果。再次，注意值的范围和它们是如何分布的。

# 对于倾斜的数据使用Log转换
skewed = ['capital-gain', 'capital-loss']

features_raw[skewed] = data[skewed].apply(lambda x: np.log(x + 1))

# 可视化对数转换后 'capital-gain'和'capital-loss' 两个特征
vs.distribution(features_raw, transformed = True)

image.png

规一化数字特征

除了对于高度倾斜的特征施加转换，对数值特征施加一些形式的缩放通常会是一个好的习惯。在数据上面施加一个缩放并不会改变数据分布的形式（比如上面说的'capital-gain' or 'capital-loss'）；但是，规一化保证了每一个特征在使用监督学习器的时候能够被平等的对待。注意一旦使用了缩放，观察数据的原始形式不再具有它本来的意义了，就像下面的例子展示的。

运行下面的代码单元来规一化每一个数字特征。我们将使用 sklearn.preprocessing.MinMaxScaler 来完成这个任务。

from sklearn.preprocessing import MinMaxScaler

# 初始化一个 scaler，并将它施加到特征上
scaler = MinMaxScaler()
numerical = ['age', 'education-num', 'capital-gain', 'capital-loss', 'hours-per-week']
features_raw[numerical] = scaler.fit_transform(data[numerical])

# 显示一个经过缩放的样例记录
display(features_raw.head(n = 1))

image.png

练习：数据预处理

从上面的 数据探索 中的表中，我们可以看到有几个属性的每一条记录都是非数字的。通常情况下，学习算法期望输入是数字的，这要求非数字的特征（称为类别变量）被转换。转换类别变量的一种流行的方法是使用 独热编码 方案。独热编码为每一个非数字特征的每一个可能的类别创建一个 “虚拟” 变量。例如，假设 someFeature 有三个可能的取值 A ， B 或者 C ，。我们将把这个特征编码成 someFeature_A , someFeature_B 和 someFeature_C .

| 特征X | | 特征X_A | 特征X_B | 特征X_C | | :-: | | :-: | :-: | :-: | | B | | 0 | 1 | 0 | | C | ----> 独热编码 ----> | 0 | 0 | 1 | | A | | 1 | 0 | 0 |

此外，对于非数字的特征，我们需要将非数字的标签 'income' 转换成数值以保证学习算法能够正常工作。因为这个标签只有两种可能的类别（"<=50K"和">50K"），我们不必要使用独热编码，可以直接将他们编码分别成两个类 0 和 1 ，在下面的代码单元中你将实现以下功能：

• 使用 pandas.get_dummies() 对 'features_raw' 数据来施加一个独热编码。
• 将目标标签 'income_raw' 转换成数字项。
  • 将"<=50K"转换成 0 ；将">50K"转换成 1 。

# TODO：使用pandas.get_dummies()对'features_raw'数据进行独热编码
features = pd.get_dummies(features_raw)

# TODO：将'income_raw'编码成数字值
income = None
income = income_raw.apply(lambda x: 1 if x == '>50K' else 0)

# 打印经过独热编码之后的特征数量
encoded = list(features.columns)
print "\033[1;34m {} total features after one-hot encoding. \033[0m".format(len(encoded))

# 移除下面一行的注释以观察编码的特征名字
# print encoded

103 total features after one-hot encoding.

混洗和切分数据

现在所有的 类别变量 已被转换成数值特征，而且所有的数值特征已被规一化。和我们一般情况下做的一样，我们现在将数据（包括特征和它们的标签）切分成训练和测试集。其中80%的数据将用于训练和20%的数据用于测试。然后再进一步把训练数据分为训练集和验证集，用来选择和优化模型。

运行下面的代码单元来完成切分。

# 导入 train_test_split
from sklearn.model_selection import train_test_split

# 将'features'和'income'数据切分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, income, test_size = 0.2,random_state = 0,stratify = income)
# 将'X_train'和'y_train'进一步切分为训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2,random_state=0,stratify = y_train)

# 显示切分的结果
print "\033[1;34m Total number of records: {} \033[0m".format(n_records)
print "\033[1;34m Training set has {} samples. \033[0m".format(X_train.shape[0])
print "\033[1;34m Validation set has {} samples. \033[0m".format(X_val.shape[0])
print "\033[1;34m Testing set has {} samples. \033[0m".format(X_test.shape[0])

Total number of records: 45222

Training set has 28941 samples.

Validation set has 7236 samples.

Testing set has 9045 samples.

评价模型性能

在这一部分中，我们将尝试四种不同的算法，并确定哪一个能够最好地建模数据。四种算法包含一个 天真的预测器 和三个你选择的监督学习器。

评价方法和朴素的预测器

CharityML 通过他们的研究人员知道被调查者的年收入大于\$50,000最有可能向他们捐款。因为这个原因 CharityML 对于准确预测谁能够获得\$50,000以上收入尤其有兴趣。这样看起来使用 准确率 作为评价模型的标准是合适的。另外，把 没有 收入大于\$50,000的人识别成年收入大于\$50,000对于 CharityML 来说是有害的，因为他想要找到的是有意愿捐款的用户。这样，我们期望的模型具有准确预测那些能够年收入大于\$50,000的能力比模型去 查全 这些被调查者 更重要 。我们能够使用 F-beta score 作为评价指标，这样能够同时考虑查准率和查全率：

image.png

尤其是，当 $\beta = 0.5$ 的时候更多的强调查准率，这叫做 F$_{0.5}$ score （或者为了简单叫做F-score）。

问题 1 - 天真的预测器的性能

通过查看收入超过和不超过 \$50,000 的人数，我们能发现多数被调查者年收入没有超过 \$50,000。如果我们简单地预测说 “这个人的收入没有超过 \$50,000” ，我们就可以得到一个 准确率超过 50% 的预测。这样我们甚至不用看数据就能做到一个准确率超过 50%。这样一个预测被称作是天真的。通常对数据使用一个 天真的预测器 是十分重要的，这样能够帮助建立一个模型表现是否好的基准。 使用下面的代码单元计算天真的预测器的相关性能。将你的计算结果赋值给 'accuracy' , ‘precision’ , ‘recall’ 和 'fscore' ，这些值会在后面被使用，请注意这里不能使用scikit-learn，你需要根据公式自己实现相关计算。

如果我们选择一个无论什么情况都预测被调查者年收入大于 \$50,000 的模型，那么这个模型在 验证集上 的准确率，查准率，查全率和 F-score是多少？

#不能使用scikit-learn，你需要根据公式自己实现相关计算。

y_hypothesis = pd.DataFrame([1 for x in range(y_val.size)])

#https://blog.csdn.net/zhang_hongchao/article/details/75127138
TP = y_val[y_val == 1].size
TN = 0
FP = y_val[y_val == 0].size
FN = 0

beta=0.5

#TODO： 计算准确率
accuracy = float(TP) / float(y_val.size)

# TODO： 计算查准率 Precision
precision = float(TP) / ( float(TP) + float(FP) )

# TODO： 计算查全率 Recall
recall = float(TP) / ( float(TP) + float(FN) )

# TODO： 使用上面的公式，设置beta=0.5，计算F-score
fscore = ( 1 + np.square(beta) ) * ( precision * recall ) / ( (np.square(beta) * precision ) + recall )

# 打印结果
print "\033[1;34m Naive Predictor on validation data: \n \
      Accuracy score: {:.4f} \n \
      Precision: {:.4f} \n \
      Recall: {:.4f} \n \
      F-score: {:.4f} \033[0m".format(accuracy, precision, recall, fscore)

Naive Predictor on validation data:

Accuracy score: 0.2478

Precision: 0.2478

Recall: 1.0000

F-score: 0.2917

监督学习模型

问题 2 - 模型应用

你能够在 scikit-learn 中选择以下监督学习模型

• 高斯朴素贝叶斯 (GaussianNB)
• 决策树 (DecisionTree)
• 集成方法 (Bagging, AdaBoost, Random Forest, Gradient Boosting)
• K近邻 (K Nearest Neighbors)
• 随机梯度下降分类器 (SGDC)
• 支撑向量机 (SVM)
• Logistic回归（LogisticRegression）

从上面的监督学习模型中选择三个适合我们这个问题的模型，并回答相应问题。

模型1

模型名称

回答：DecisionTree

描述一个该模型在真实世界的一个应用场景。（你需要为此做点研究，并给出你的引用出处）

回答：企业投资决策

这个模型的优势是什么？他什么情况下表现最好？

回答：

1、易于理解，数结构可见

2、需要较少的数据准备

3、可以处理数字和分类数据，其他算法大多只能处理其中一种

4、能够处理多输出问题

5、模型可解释性高

6、使用统计验证模型，模型可靠性高

7、对异常值不敏感（缺失属性的样本）

这个模型的缺点是什么？什么条件下它表现很差？

回答：

1、容易过拟合，通过剪枝可以一定程度避免这个问题

2、可能不稳定，实际的决策时是基于启发式的，如贪婪算法。其中每个节点找到局部最优解，但这种算法不能保证最终得到的是全局最优解。可以通过训练多个树来减轻此问题。

3、有些概念难以表达如XOR问题

4、如果数据在不同种类上的数据量不同，决策时可能会偏向数据量更大的一方

5、会忽略特征之间的相互关系

根据我们当前数据集的特点，为什么这个模型适合这个问题。

回答：当前是一个二分类问题，决策树针对这种问题适用

模型2

模型名称

回答：KNeighborsClassifier

描述一个该模型在真实世界的一个应用场景。（你需要为此做点研究，并给出你的引用出处）

回答：文本分类、模式识别、聚类分析

这个模型的优势是什么？他什么情况下表现最好？

回答：

1、可以用于分类和回归计算

2、可用于非线性问题

3、算法复杂度低O(n)

3、准确度较高，对异常值不敏感

4、KNN是一种在线学习算法，新的训练数据可以直接加入而不用重新训练

这个模型的缺点是什么？什么条件下它表现很差？

回答：

1、样本不平衡问题下表现不好

2、内存开销大

3、计算时间长（对于样本容量大的数据集）

4、K的选择问题

5、每一次分类都会进行一次全局运算

根据我们当前数据集的特点，为什么这个模型适合这个问题。

回答：本问题时二分问题，样本特征空间不大，样本数量不算多。可以试一试

模型3

模型名称

回答：BaggingClassifier

描述一个该模型在真实世界的一个应用场景。（你需要为此做点研究，并给出你的引用出处）

回答：随机森林

这个模型的优势是什么？他什么情况下表现最好？

回答：

1、可以降低基学习器的方差

2、避免过拟合，泛化错误率低

3、样本空间较大时可以将数据分为不同子集分别训练，然后再合成分类器

4、当决策边界复杂时可使用多个线性分类器再将他们合成

5、当数据来自多个数据源且为异构特征集的时候，可以分别训练分类器然后再将他们集成

6、无需调整底层算法的参数

7、可以处理不平衡样本集

这个模型的缺点是什么？什么条件下它表现很差？

回答：训练时间比基学习器长、内存开销比基学习器大

根据我们当前数据集的特点，为什么这个模型适合这个问题。

回答：主要为了对比与决策树的性能差异和模型表现

练习 - 创建一个训练和预测的流水线

为了正确评估你选择的每一个模型的性能，创建一个能够帮助你快速有效地使用不同大小的训练集并在验证集上做预测的训练和验证的流水线是十分重要的。

你在这里实现的功能将会在接下来的部分中被用到。在下面的代码单元中，你将实现以下功能：

• 从 sklearn.metrics 中导入 fbeta_score 和 accuracy_score 。
• 用训练集拟合学习器，并记录训练时间。
• 对训练集的前300个数据点和验证集进行预测并记录预测时间。
• 计算预测训练集的前300个数据点的准确率和F-score。
• 计算预测验证集的准确率和F-score。

# TODO：从sklearn中导入两个评价指标 - fbeta_score和accuracy_score
from sklearn.metrics import fbeta_score, accuracy_score

def train_predict(learner, sample_size, X_train, y_train, X_val, y_val): 
    '''
    inputs:
       - learner: the learning algorithm to be trained and predicted on
       - sample_size: the size of samples (number) to be drawn from training set
       - X_train: features training set
       - y_train: income training set
       - X_val: features validation set
       - y_val: income validation set
    '''
    
    results = {}
    
    # TODO：使用sample_size大小的训练数据来拟合学习器
    # TODO: Fit the learner to the training data using slicing with 'sample_size'
    start = time() # 获得程序开始时间
    learner = learner.fit(X_train[:sample_size], y_train[:sample_size])
    end = time() # 获得程序结束时间
    
    # TODO：计算训练时间
    results['train_time'] = end - start
    
    # TODO: 得到在验证集上的预测值
    #       然后得到对前300个训练数据的预测结果
    start = time() # 获得程序开始时间
    predictions_val = learner.predict(X_val)
    predictions_train = learner.predict(X_train[:300])
    end = time() # 获得程序结束时间
    
    # TODO：计算预测用时
    results['pred_time'] = end - start
            
    # TODO：计算在最前面的300个训练数据的准确率
    results['acc_train'] = accuracy_score(y_train[:300], predictions_train)
        
    # TODO：计算在验证上的准确率
    results['acc_val'] = accuracy_score(y_val, predictions_val)
    
    # TODO：计算在最前面300个训练数据上的F-score
    results['f_train'] = fbeta_score(y_train[:300], predictions_train, beta = 0.5)
        
    # TODO：计算验证集上的F-score
    results['f_val'] = fbeta_score(y_val, predictions_val, beta = 0.5)
       
    # 成功
    print "\033[1;34m {} trained on {} samples.\033[0m".format(learner.__class__.__name__, sample_size)
        
    # 返回结果
    return results

练习：初始模型的评估

在下面的代码单元中，您将需要实现以下功能：

• 导入你在前面讨论的三个监督学习模型。
• 初始化三个模型并存储在 'clf_A' ， 'clf_B' 和 'clf_C' 中。

  random_state
  

• 计算1%， 10%， 100%的训练数据分别对应多少个数据点，并将这些值存储在 'samples_1' , 'samples_10' , 'samples_100' 中

注意：取决于你选择的算法，下面实现的代码可能需要一些时间来运行！

# TODO：从sklearn中导入三个监督学习模型
# from sklearn.naive_bayes import GaussianNB #准确率低 低于0.5
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier #0.8 但时间长不少
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression, SGDClassifier
from sklearn.ensemble import BaggingClassifier
# TODO：初始化三个模型
clf_A = BaggingClassifier(DecisionTreeClassifier(random_state = 3))
clf_B = DecisionTreeClassifier(random_state = 3)
clf_C = KNeighborsClassifier()

# TODO：计算1%， 10%， 100%的训练数据分别对应多少点
samples_1 = X_train.shape[0] * 1 / 100
samples_10 = X_train.shape[0] * 10 / 100
samples_100 = X_train.shape[0] * 100 / 100

# 收集学习器的结果
results = {}
for clf in [clf_A, clf_B, clf_C]:
    clf_name = clf.__class__.__name__
    results[clf_name] = {}
    for i, samples in enumerate([samples_1, samples_10, samples_100]):
        results[clf_name][i] = train_predict(clf, samples, X_train, y_train, X_val, y_val)

# 对选择的三个模型得到的评价结果进行可视化
vs.evaluate(results, accuracy, fscore)

BaggingClassifier trained on 289 samples.

BaggingClassifier trained on 2894 samples.

BaggingClassifier trained on 28941 samples.

DecisionTreeClassifier trained on 289 samples.

DecisionTreeClassifier trained on 2894 samples.

DecisionTreeClassifier trained on 28941 samples.

KNeighborsClassifier trained on 289 samples.

KNeighborsClassifier trained on 2894 samples.

KNeighborsClassifier trained on 28941 samples.

image.png

提高效果

在这最后一节中，您将从三个有监督的学习模型中选择 最好的 模型来使用学生数据。你将在整个训练集（ X_train 和 y_train ）上使用网格搜索优化至少调节一个参数以获得一个比没有调节之前更好的 F-score。

问题 3 - 选择最佳的模型

基于你前面做的评价，用一到两段话向 CharityML 解释这三个模型中哪一个对于判断被调查者的年收入大于 \$50,000 是最合适的。

提示：你的答案应该包括评价指标，预测/训练时间，以及该算法是否适合这里的数据。

回答：

决策树看来在这3个模型中最佳，因为其训练时间较短，其他2个模型随训练数据规模增长，训练时间呈几何级增长。并且决策树在训练集和验证集上的表现都比较不错，且在数据规模不同情况下表现都不错

问题 4 - 用通俗的话解释模型

用一到两段话，向 CharityML 用外行也听得懂的话来解释最终模型是如何工作的。你需要解释所选模型的主要特点。例如，这个模型是怎样被训练的，它又是如何做出预测的。避免使用高级的数学或技术术语，不要使用公式或特定的算法名词。

回答：

决策树接近人工选择的过程，即通过一个一个问题来最终将问题进行分类。他是一个树状结构，一般包括一个根结点和若干内部节点和若干叶子节点。叶节点对应决策的结果。其他内部节点对应一个属性。决策树的生成（即训练过程）是一个递归过程。当当前节点所有属性都同属一类或当前节点属性为空无法划分时递归返回。

练习：模型调优

调节选择的模型的参数。使用网格搜索（GridSearchCV）来至少调整模型的重要参数（至少调整一个），这个参数至少需尝试3个不同的值。你要使用整个训练集来完成这个过程。在接下来的代码单元中，你需要实现以下功能：

• 导入 sklearn.model_selection.GridSearchCV 和 sklearn.metrics.make_scorer .
• 初始化你选择的分类器，并将其存储在 clf 中。
• 设置 random_state (如果有这个参数)。
• 创建一个对于这个模型你希望调整参数的字典。
• 例如: parameters = {'parameter' : list of values}。
• 注意： 如果你的学习器有 max_features 参数，请不要调节它！
• 使用 make_scorer 来创建一个 fbeta_score 评分对象（设置$\beta = 0.5$）。
• 在分类器clf上用'scorer'作为评价函数运行网格搜索，并将结果存储在grid_obj中。
• 用训练集（X_train, y_train）训练grid search object,并将结果存储在 grid_fit 中。

注意：取决于你选择的参数列表，下面实现的代码可能需要花一些时间运行！

# TODO：导入'GridSearchCV', 'make_scorer'和其他一些需要的库
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import make_scorer
from sklearn.tree import DecisionTreeClassifier
# TODO：初始化分类器
clf = DecisionTreeClassifier(random_state = 3)

# TODO：创建你希望调节的参数列表
parameters = {
    'criterion':('gini', 'entropy'),
    'splitter':('best', 'random'),
    'min_samples_split':[1,100]
}

# TODO：创建一个fbeta_score打分对象
scorer = make_scorer(fbeta_score, beta=0.5)

# TODO：在分类器上使用网格搜索，使用'scorer'作为评价函数
grid_obj = GridSearchCV(clf, parameters, scoring = scorer)

# TODO：用训练数据拟合网格搜索对象并找到最佳参数
grid_fit = grid_obj.fit(X_train, y_train)

# 得到estimator
best_clf = grid_obj.best_estimator_

# 使用没有调优的模型做预测
predictions = (clf.fit(X_train, y_train)).predict(X_val)
best_predictions = best_clf.predict(X_val)

# 汇报调参前和调参后的分数
print "\033[1;34m Total number of records: {} \033[0m".format(n_records)
print "\033[1;34m Unoptimized model\n------\033[0m"
print "\033[1;34m Accuracy score on validation data: {:.4f}\033[0m".format(accuracy_score(y_val, predictions))
print "\033[1;34m F-score on validation data: {:.4f}\033[0m".format(fbeta_score(y_val, predictions, beta = 0.5))
print "\033[1;34m \nOptimized Model\n------\033[0m"
print "\033[1;34m Final accuracy score on the validation data: {:.4f}\033[0m".format(accuracy_score(y_val, best_predictions))
print "\033[1;34m Final F-score on the validation data: {:.4f}\033[0m".format(fbeta_score(y_val, best_predictions, beta = 0.5))

Total number of records: 45222

Unoptimized model

Accuracy score on validation data: 0.8205

F-score on validation data: 0.6381

Optimized Model

Final accuracy score on the validation data: 0.8585

Final F-score on the validation data: 0.7242

问题 5 - 最终模型评估

你的最优模型在测试数据上的准确率和 F-score 是多少？这些分数比没有优化的模型好还是差？你优化的结果相比于你在 问题 1 中得到的天真预测器怎么样？

注意：请在下面的表格中填写你的结果，然后在答案框中提供讨论。

结果:

评价指标	天真预测器	未优化的模型	优化的模型
准确率	0.2478	0.8205	0.8585
F-score	0.2917	0.6381	0.7242

回答：

优化后的模型，准确率和F1得分均优于未优化的模型，且比天真预测器有明显提升</font>

特征的重要性

在数据上（比如我们这里使用的人口普查的数据）使用监督学习算法的一个重要的任务是决定哪些特征能够提供最强的预测能力。专注于少量的有效特征和标签之间的关系，我们能够更加简单地理解这些现象，这在很多情况下都是十分有用的。在这个项目的情境下这表示我们希望选择一小部分特征，这些特征能够在预测被调查者是否年收入大于\$50,000这个问题上有很强的预测能力。

选择一个有 'feature_importance_' 属性的scikit学习分类器（例如 AdaBoost，随机森林）。 'feature_importance_' 属性是对特征的重要性 排序 的函数。在下一个代码单元中用这个分类器拟合训练集数据并使用这个属性来决定人口普查数据中最重要的5个特征。

问题 6 - 观察特征相关性

当 探索数据 的时候，它显示在这个人口普查数据集中每一条记录我们有十三个可用的特征。

在这十三个记录中，你认为哪五个特征对于预测是最重要的，选择每个特征的理由是什么？你会怎样对他们排序？

回答：

• 特征1:age
• 特征2:workclass
• 特征3:education_level
• 特征4:capital-gain
• 特征5:native-country

capital-gain > education_level > workclass > native-country > age

资本收益越高可能越有钱

受教育程度越高收入一般越高

不同工作种类能够明显区分收入水平

所在国家如果是发达国家一般比发展中国家或落后国家有钱

年龄越大一般收入越高

练习 - 提取特征重要性

选择一个 scikit-learn 中有 feature_importance_ 属性的监督学习分类器，这个属性是一个在做预测的时候根据所选择的算法来对特征重要性进行排序的功能。

在下面的代码单元中，你将要实现以下功能：

'feature_importances_'

# TODO：导入一个有'feature_importances_'的监督学习模型
from sklearn.ensemble import AdaBoostClassifier
# TODO：在训练集上训练一个监督学习模型
clf = AdaBoostClassifier()
model = clf.fit(X_train, y_train)

# TODO： 提取特征重要性
importances = model.feature_importances_

# 绘图
vs.feature_plot(importances, X_train, y_train)

image.png

问题 7 - 提取特征重要性

观察上面创建的展示五个用于预测被调查者年收入是否大于\$50,000最相关的特征的可视化图像。

这五个特征的权重加起来是否超过了0.5?

这五个特征和你在 问题 6 中讨论的特征比较怎么样？

如果说你的答案和这里的相近，那么这个可视化怎样佐证了你的想法？

如果你的选择不相近，那么为什么你觉得这些特征更加相关？

回答：

1、权重之和为 0.56

2、有2个特征与问题6回答一致，主观判断的重要特征看上去不靠谱

3、

capital-loss这个特征与capital-gain类似，之前值考虑了投资回报没有考虑投资损失。这说明2个类似的特征一个权重较高另一个应该也会较高；

hours-per-week这个特征没有考虑进去是因为不确定工作时长与收入的关系，在中国不一定工作时间长就收入高反之亦然;

education_level这个特征由于采用了独热编码，打印了一下importances 发现education_level one-hot编码后的多个特征权重之和高于education_num，这里请老师指明为什么one-hot后分散到多个特征后education_level的权重反而下来了？

特征选择

如果我们只是用可用特征的一个子集的话模型表现会怎么样？通过使用更少的特征来训练，在评价指标的角度来看我们的期望是训练和预测的时间会更少。从上面的可视化来看，我们可以看到前五个最重要的特征贡献了数据中 所有 特征中超过一半的重要性。这提示我们可以尝试去 减小特征空间 ，简化模型需要学习的信息。下面代码单元将使用你前面发现的优化模型，并 只使用五个最重要的特征 在相同的训练集上训练模型。

# 导入克隆模型的功能
from sklearn.base import clone

# 减小特征空间
X_train_reduced = X_train[X_train.columns.values[(np.argsort(importances)[::-1])[:5]]]
X_val_reduced = X_val[X_val.columns.values[(np.argsort(importances)[::-1])[:5]]]

# 在前面的网格搜索的基础上训练一个“最好的”模型
clf_on_reduced = (clone(best_clf)).fit(X_train_reduced, y_train)

# 做一个新的预测
reduced_predictions = clf_on_reduced.predict(X_val_reduced)

# 对于每一个版本的数据汇报最终模型的分数
print "\033[1;34m Total number of records: {} \033[0m".format(n_records)
print "\033[1;34m Final Model trained on full data\n------\033[0m"
print "\033[1;34m Accuracy on validation data: {:.4f}\033[0m".format(accuracy_score(y_val, best_predictions))
print "\033[1;34m F-score on validation data: {:.4f}\033[0m".format(fbeta_score(y_val, best_predictions, beta = 0.5))
print "\033[1;34m \nFinal Model trained on reduced data\n------\033[0m"
print "\033[1;34m Accuracy on validation data: {:.4f}\033[0m".format(accuracy_score(y_val, reduced_predictions))
print "\033[1;34m F-score on validation data: {:.4f}\033[0m".format(fbeta_score(y_val, reduced_predictions, beta = 0.5))

Total number of records: 45222

Final Model trained on full data

Accuracy on validation data: 0.8585

F-score on validation data: 0.7242

Final Model trained on reduced data

Accuracy on validation data: 0.8326

F-score on validation data: 0.6797

问题 8 - 特征选择的影响

最终模型在只是用五个特征的数据上和使用所有的特征数据上的 F-score 和准确率相比怎么样？

如果训练时间是一个要考虑的因素，你会考虑使用部分特征的数据作为你的训练集吗？

回答：

减小特征空间后，准确率和F-score都有一定程度的下降

如果训练时间很长可以采用减小特征空间来提高训练效率，但在训练时间可接受的情况下选用更多的特征往往能得到更高的准确率和F-score

问题 9 - 在测试集上测试你的模型

终于到了测试的时候，记住，测试集只能用一次。

使用你最有信心的模型，在测试集上测试，计算出准确率和 F-score。

简述你选择这个模型的原因，并分析测试结果

#TODO test your model on testing data and report accuracy and F score
predictions = best_clf.predict(X_test)

print "\033[1;34m Accuracy score on test data: {:.4f}\033[0m".format(accuracy_score(y_test, predictions))
print "\033[1;34m F-score on validation data: {:.4f}\033[0m".format(fbeta_score(y_test, predictions, beta = 0.5))

Accuracy score on test data: 0.8512

F-score on validation data: 0.7091

分析：

由于现有训练数据规模下使用调优参数后的模型训练时间可接受，所以没有使用减小样本空间的模型（为了更高的准确率）。在该模型下在训练集和测试集上的准确率和F-score基本一致，且得分较高