机器学习- Sklearn (交叉验证和Pipeline)

前面一节咱们已经介绍了决策树的原理已经在sklearn中的应用。那么这里还有两个数据处理和sklearn应用中的小知识点咱们还没有讲，但是在实践中却会经常要用到的，那就是交叉验证cross_validation和Pipeline。cross_validation是保证了咱们的模型不受数据分布的影响，因为有些数据可能因为数据的分布很不平均，导致咱们训练的模型虽然在咱们的数据集里面的表现很好，但是在实际中却可能是不一样的情况，cross validation的作用是model checking，而不是model building，无论用哪种方式validation，只是验证根据这些数据训练训练出来的模型能不能用而已，可不可以用这些数据来训练模型而已。而pipeline主要是为了能将模型的训练更加格式化而已，也能规范代码的格式，以后所有的的模型从定义到验证的过程都格式化了。接下来咱们细细的来看看他们具体是个什么玩意儿。

• Cross_validation

在解释交叉验证之前，我先上一个图，如下所示

看上面的图，咱们会将咱们的整个dataset分割五次，分别依次将其中的20%的部分作为validation dataset，80%的部分作为training dataset。咱们可以看出咱们会分别训练五个模型，然后分别将各自的validation dataset拿去验证，计算他们的score，然后将这5个score返回装进list中，如果这些list中的元素都差不多的，并且大小都在合理范围之内的话，那么说明这个dataset是整个数据的分布是合理的，并且 可以用这些数据来训练的咱们的模型。记住前面的2个条件缺一不可，如果score的大小都差不多，但是score的数值都很大的话，则说明虽然这个dataset的分布合理，但是这些features并不适合咱们模型，那么咱们就得重新调整模型或者重新feature engineering。如果score的值都不大，在合理范围之内，但是score之间的差值很大，那么就说明咱们这个dataset的数据分布很不合理，训练的模型可能并不具备广发应用的条件，这种情况下咱们得重新permutate咱们的dataset。最后，如果通过cross_validation之后满足了所有的条件，那么咱们最后的最后会用整个dataset来训练咱们的最终模型。所以cross_validation的最终目的还是用来验证咱们的数据和模型的，并不是用来训练模型的。这一点对于刚刚接触交叉验证的同学经常容易混淆。上面像大家展示了什么是cross_validation，那么具体在sklearn中如何应用它呢？麻烦大家直接看下面的代码，一句话解决

from sklearn.model_selection import cross_val_score
scores = cross_val_score(estimator=my_pipeline, X=X, y=y, cv=5,scoring = "neg_mean_absolute_error")

这里我来简单解释一下里面的参数，首先它也是来自于sklearn.model_selection这个模块的，estimator代表的是咱们定义的模型（未训练过的），X,y分别代表着training dataset和labels, cv代表的是咱们将这个dataset分成几个部分，最后的scoring是咱们选择哪种计算方式。最后他会返回5个score，并且在scores这个list里面。上面的部分就是cross_validation的解释和具体应用过程。

• Pipeline

咱们前面花了很多的时间讲了feature engineering， 模型训练等等知识，咱们可以看见data preprocess的过程还是很复杂的，例如有missing value handling， categorical data encoding等等这些步骤，然而，每个项目中的数据都是不一样的，这就让咱们的数据进行preprocess的时候会非常复杂，没换一个dataset，咱们就得重新来一遍，非常不方便，这时候聪明的人类就想到了，能不能通过定义一部分参数，来实现把这些繁杂的过程格式化呢？？？这时候pipeline就出来了。咱们现在先把代码贴出来，然后在一条一条的解释一下pipeline的步骤

#Step1: data preparation
import pandas as pd
from sklearn.model_selection import train_test_split
melb_house_price = pd.read_csv("C:\\Users\\tangx\\OneDrive\\Desktop\\DATA\\melb_data.csv")
X = melb_house_price.drop(["Price"],axis = 1)
y = melb_house_price.Price
X_train_full, X_val_full,y_train,y_val = train_test_split(X,y,train_size=0.8,test_size=0.2,random_state=1)

numerical_cols = [col for col in X_train_full.columns if X_train_full[col].dtype in ['int64','float64']]
categorical_cols = [col for col in X_train_full.columns if X_train_full[col].dtype == 'object' and X_train_full[col].nunique()<10]
my_cols = numerical_cols+categorical_cols

X_train = X_train_full[my_cols].copy()
X_val = X_val_full[my_cols].copy()

#Step2: define preprocess steps
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.metrics import mean_absolute_error
#2.1 define transformer of numerical data
numerical_transformer = SimpleImputer(strategy="mean") #missing value handling
#2.2 define transformer of categorical data #(Firstly handle the missing value and then secondly encoding the )
categorical_transformer = Pipeline(steps=[
        ("Imputer",SimpleImputer(strategy="most_frequent")),
        ("Onehot",OneHotEncoder(handle_unknown='ignore'))]
    )
#2.3 data preprocessor
preprocessor = ColumnTransformer(
        transformers = [
                ("num", numerical_transformer, numerical_cols),
                ("cat",categorical_transformer,categorical_cols)]
        )
#step2.4: model selection and definition
from sklearn.ensemble import RandomForestRegressor
model = RandomForestRegressor(n_estimators = 100, random_state = 0)
#step2.5: bundle preprocessor and model
my_pipeline = Pipeline(
        steps = [
                ('preprocessor', preprocessor),
                ('model',model)]
        )

#step3: fitting the model
my_pipeline.fit(X_train,y_train)

#step4: predicts
predictions = my_pipeline.predict(X_val)

#step5: evaluate the modle
print(mean_absolute_error(y_val,predictions))

根据上面的代码，咱们以后所有的代码几乎都可以用上面的框架，第一步肯定就是将training dataset和validation dataset分离出来；第二步就是咱们pipeline，这里也是咱们的重点，首先就是先定义咱们的transform，这里就是声明如何来处理missing value和categorical data，接下来就是声明这些transforms分别用于那些features，并且返回preprocessor；然后定义模型；最后实例化一个pipeline对象，并且将前面定义的模型和preprocessor传递给这个pipeline。接下来的步骤就是fitting，predict，evaluate啦和其他的都一样。所以咱们在这里的重点其实就是第二步，故而以后所有tabular data都可以用上面的结构来进行数据的处理，非常方便简单，不必一个个的单独处理了，只需要定义transforms和preprocessor就可以了。

• 总结

 上面已经展示的交叉验证cross_validation和pipeline的两个知识点的一些基本原理和应用。在这里cross_validation的形式和原理是重点，已经cross_validation的作用和原因要理解，至于应用方面就很简单了，重点关注一下里面的一些参数设置就行了。pipeline能够大大的减少咱们数据处理方面的工作量，相当于把数据的preprocessor打包了，并且结构化，具有很高的复用性，这里重点需要了解pipeline的应用的流程以及为什么是这个流程，然后是每个流程的作用。上面就是这一节补充的2个sklearn应用中的小知识点。