机器学习：项目流程及方法（以 kaggle 实例解释）

一、项目目录

• （一）数据加载
  1. 基础统计
  2. 特征分类
  3. 基本分布(scatter)

• （二）数据分析
  1. 正态性检验
     • 偏离度分析 (hist | scatter)
     • 峰度分析 (hist | scatter)
  2. 分散度分析 (box)
     • 特征本身分散度
     • SalePrice 的分散度
  3. 方差齐次检验
  4. 方差分析 (bar)
     • scipy.stats.f_oneway()
     • pandas.Series.corr()
  5. 协方差分析(-1~+1)
     • 协方差热图 (heatmap)
     • 协方最大关联图 (pairplot)

• （三）数据处理
  1. 无效数据处理
     • 无效特征处理
     • 离群点处理
  2. 缺失值处理
     • NaN和NA的处理函数
     • 数值量:min,max,mean
     • 字符量 -- 仅做类型转换
  3. 标准化(Normalization)处理
  4. 离散量编码
     • One-Hot Encoding
     • 分组-均值-排序数值化
     • 以SalePrice为参考的数据
     • 没有房价可做基准的数据处理

• （四）机器学习
  1. 模型
     • MXNet
     • pytorch
     • TensorFlow
     • PaddlePaddle
  2. 训练
  3. 炼丹
  4. 预测

二、数据加载

　1）read_csv() 读取数据时，自动处理了 na_values 的数据

• pd.read_csv(file, ... na_values=None, keep_default_na=True, ...)

• na_values：遇到该参数指定的字符时，即解析为 np.NaN(float型)，无论此列是数值型orobject型。
• 默认值：'', '#N/A', '#N/A N/A', '#NA', '-1.#IND', '-1.#QNAN', '-NaN', '-nan','1.#IND', '1.#QNAN', 'N/A', 'NA', 'NULL', 'NaN', 'nan'.

• keep_default_na：
  • True：将csv 文件中的数字or字符串与 na_values 的 default 值进行匹配，命中即解析为 np.NaN
  • False：
    • na_values=[...] ：与自定义的 na_values 匹配，命中即解析为 np.NaN
    • na_values不赋值：不解析相关字符串，保留为原字符串，副作用：会把数值型的feature错误的认成 object 型 —— so，不可取

　2）特征分类

• 目的：为了方便后续的数据处理——将 object 类型特征的字符量数据转化为 number；

• 一般从两个维度分类：

• object 型特征、非 object 型特征（一般是 numeric 特征）
• 离散型特征（一般为）、连续型特征

• 通常需要将离散的字符量 --(转变为)--> 离散的数值量
• pandas.read_csv() 得到的 dataframe 的column类型（df.dtypes）与特征的对应关系：
  • int,float —— 数值量（连续和离散）
  • object —— 字符量（离散）
    • 虽然 column 是 object的，但具体里面的值是 'str'、'float'(NA值是float）

三、数据分析

　1）分析的主要内容

• 正态性分析：使用 hist（直方图）和 scatter（散点图）展示
• 分散度分析：使用 box（箱线图）展示
• 方差齐次分析：
• 方差分析： 使用 bar（柱状图）展示
• 协方差分析：使用 heatmap（热图）展示

　2）正态性分析

• 常用的方法：

1. 正态概率纸法
2. 夏皮罗维尔克检验法(Shapiro-Wilktest)
3. 科尔莫戈罗夫检验法
4. 偏度-峰度检验法

• 偏度 - 峰度检验法

1、偏离度分析（hist | scatter）

1）偏度：统计数据分布非对称程度的数字特征。
    **注：一组数据的偏度及峰度越大，该组数据的分布越不对称；
2）表征概率分布密度曲线相对于平均值不对称程度的特征数
3）偏离度是某一特征（即：某一列）自己的特性，不同于相关性（某两列之间）特性

思想：一组随机离散的数据，默认其分布是对称的；
方法：假设特征数据是随机离散的，如果改组特征数据的分布不对称，则判断改组特征数据中可能出现了异常值；

疑问：每种特征都有其存在的实际意义，这种实际意义就是一种规律，特征数据是按照其存在的实际意义进行分布的，可以看做是随机离散的吗？

2、峰度分析（hist | scatter）

1）峰度：描述总体中所有取值分布形态陡缓程度的统计量。
      ** 注：这个统计量需要与正态分布相比较；
      A）峰度 == 0：表示该总体数据分布与正态分布的陡缓程度相同；
      B）峰度 > 0：表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；
      C）峰度 < 0：表示该总体数据分布与正态分布相比较为平坦，为平顶峰。
      D）峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
2）kurtosis,peakedness —— 峰度、峰态系数。
3）表征概率密度分布曲线在平均值处峰值高低的特征数。
4）峰度是和正态分布相比较而言的统计量，反映了峰部的尖度。
5）峰度大于三，峰的形状比较尖，比正态分布峰要陡峭。
6）可用峰度来检验分布的正态性。
7）在实际应用中，通常将峰度值做减 3 处理，使得正态分布的峰度0。

 思想：峰度（Kurtosis）衡量实数随机变量概率分布的峰态，峰度高就意味着方差的增大是由低频度的大于或小于平均值的极端差值引起的。
  方法：一组特征数据的峰度偏高高，说明该组特征数据中出现了数量较少的大于或小于平均值的极端数据；

　3）分散度分析（box）

• 目的：查看异常的特征值；（用于修改样本的异常特征值，或者删除异常样本）

• 方法：查看每组特征数据的分布情况，找到异常的特征数据；

1. numeric 类型特征的分散度（box）

1）上四分位点：Q3，75% 位置的数据；
2）下四分位点：Q1，25% 位置的数据；
3）中位数：Q2,50% 位置的数据；一组数据中间位置的值；
4）上/下边缘：一组数据的最大值和最小值；
5）异常值：箱形图上，在 Q3 + 1.5IQR 和 Q1 - 1.5IQR 处画两条线，与中位线一样的线段，两条线段为异常值截断点。
    * 也就是：x > Q3+1.5IQR 或者 x < Q1-1.5IQR，则 x 数值为异常值；
6）IQR：四分位距，IQR = Q3 - Q1

• boxp（盒图）

目的：查询没有意义的特征；（用于删除无效特征）

方法：通过 SalePrice 相对于特征的分布情况，以及房价相对于特征的分布趋势，得到特征与房价的相关性，进而刷选出相关性不强的特征；

分析上图

箱型图基本可以看做散点图的加强版：
    散点图：可以看出基本趋势；
    箱线图：可以一眼看出均值、主范围之内值的趋势，可以看出异常值的多少。

现象：几乎所有异常值都是向上异常，即超出上界（上面的那根横线）；
分析：说明了所有不在随大流的售价都是高价，没有地板价、吐血价、大甩卖价的大量出现，博弈中明显卖方占优。

　4）方差分析（bar）

　5）协方差分析

　　　　

　　　　

　　　　B）将数值型特征的 np.NaN 替换：min、max、mean

　　　　C）先将字符型特征的 'NA' 替换：仅做类型转换；（方便后续编码操作：将 'NA' 编码成数值型）

　　如果有 np.NaN 的特征值，将其从float类型的 NaN 转变为char的"NA"；因为这些'NA'都是有意义的，不是缺失，而是某个特定含义值。

3）离散量编码

目的：字符量转为数值量；

注：个别特征，train 中没有 NA，但在 test 中有 NA，需要单独处理

检测 all_data 中是否还有 np.NaN