第三章 模型搭建和评估-评估

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from IPython.display import Image
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.rcParams['figure.figsize'] = (10, 6)  # 设置输出图片大小

任务：加载数据并分割测试集和训练集

from sklearn.model_selection import train_test_split

# 一般先取出X和y后再切割，有些情况会使用到未切割的，这时候X和y就可以用,x是清洗好的数据，y是我们要预测的存活数据'Survived'
data = pd.read_csv('clear_data.csv')
train = pd.read_csv('train.csv')
X = data
y = train['Survived']

# 对数据集进行切割
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=0)

# 默认参数逻辑回归模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

模型评估

• 模型评估是为了知道模型的泛化能力。
• 交叉验证（cross-validation）是一种评估泛化性能的统计学方法，它比单次划分训练集和测试集的方法更加稳定、全面。
• 在交叉验证中，数据被多次划分，并且需要训练多个模型。
• 最常用的交叉验证是 k 折交叉验证（k-fold cross-validation），其中 k 是由用户指定的数字，通常取 5 或 10。
• 准确率（precision）度量的是被预测为正例的样本中有多少是真正的正例
• 召回率（recall）度量的是正类样本中有多少被预测为正类
• f-分数是准确率与召回率的调和平均
  任务一：交叉验证
• 用10折交叉验证来评估之前的逻辑回归模型
• 计算交叉验证精度的平均值
• 
  提示4
  交叉验证在sklearn中的模块为sklearn.model_selection

from sklearn.model_selection import cross_val_score
lr = LogisticRegression(C=100)
scores = cross_val_score(lr, X_train, y_train, cv=10)

# k折交叉验证分数
scores

# 平均交叉验证分数
print("Average cross-validation score: {:.2f}".format(scores.mean()))

思考4
k折越多的情况下会带来什么样的影响？
#思考回答
一般而言，k折越多，评估结果的稳定性和保真性越高，不过整个计算复杂度越高。一种特殊的情况是k=m，m为数据集样本个数，这种特例称为留一法，结果往往比较准确

任务二：混淆矩阵

• 计算二分类问题的混淆矩阵
• 计算精确率、召回率以及f-分数
  【思考】什么是二分类问题的混淆矩阵，理解这个概念，知道它主要是运算到什么任务中的
  #思考回答

混淆矩阵含义 以及一些参数的计算

提示5

• 混淆矩阵的方法在sklearn中的sklearn.metrics模块
• 混淆矩阵需要输入真实标签和预测标签
• 精确率、召回率以及f-分数可使用classification_report模块

from sklearn.metrics import confusion_matrix
# 训练模型
lr = LogisticRegression(C=100)
lr.fit(X_train, y_train)

pred = lr.predict(X_train)
confusion_matrix(y_train, pred)
cm = metrics.confusion_matrix(y_train,pred,labels = [0,1])
from sklearn.metrics import classification_report
# 精确率、召回率以及f1-score
print(classification_report(y_train, pred))

sns.heatmap(confusion_matrix(y_train, pred),annot = True,fm2 = '.2e',cmap = 'GnBu')
sns.heatmap(cm,annot=True, fmt = '.2e',cmap = 'GnBu')
plt.show()

【思考】

如果自己实现混淆矩阵的时候该注意什么问题

#回答 https://blog.csdn.net/u011587322/article/details/80660978

任务三：ROC曲线

绘制ROC曲线
【思考】什么是ROC曲线，OCR曲线的存在是为了解决什么问题？

#思考
在分类模型中，ROC曲线和AUC值经常作为衡量一个模型拟合程度的指标。最近在建模过程中需要作出模型的ROC曲线
​
​
提示6

• ROC曲线在sklearn中的模块为sklearn.metrics
• ROC曲线下面所包围的面积越大越好

#写入代码

from sklearn.metrics import roc_curve, auc 
fpr,tpr,threholds = roc_curve(y_test,lr.decision_function(X_test))
plt.plot(fpr,tpr,label = "ROC Curve")
plt.xlabel("FPR")
plt.ylabel("TPR(recall)")
# 找到最接近于0的阈值 ？？？
close_zero = np.argmin(np.abs(threholds))  
plt.plot(fpr[close_zero],tpr[close_zero], 'o', markersize = 7, label = "threholds zero",fillstyle="none",c='k',mew=2)
plt.legend(loc=4)

问题总结:搞清楚这些问题

1. 分层抽样，这样的好处?
2. 什么情况下切割数据集的时候不用进行随机选取
3. 为什么线性模型可以进行分类任务，背后是怎么的数学关系
4. 对于多分类问题，线性模型是怎么进行分类的
5. 预测标签的概率对我们有什么帮助
6. k折越多的情况下会带来什么样的影响？
7. 如果自己实现混淆矩阵的时候该注意什么问题
8. 对于多分类问题如何绘制ROC曲线