机器学习第三练：为慈善机构寻找捐助者

 

这个任务同样是在Jupyter Notebook中完成，

项目目的是通过前面的所有特征列，当然去掉序号列，然后预测最后一列，收入'income'，究竟是大于50K，还是小于等于50K.

 

第一步，探索数据，像探索性统计里经常涉及到的频数，均值，众数或者众位数相关的计算，我们通过这些统计指标，使用python来看一下数据的大概情况

这块主要还是涉及pandas, numpy, visuals相关的内容来进行操作

比如查看一下数据都有哪些特征，标签，因为本身是监督学习

 

 

同时，机器学习本身，虽然对各种算法，它们的逻辑步骤，参数，涉及到的数学公式，优缺点等等这些内容涉及的更多一些，但是之前的这个数据预处理，其实涉及到的是特征工程的内容更多，也就是数据分析的相关内容更多一些，

第二步，数据相关处理，

这里涉及到两个变量，资本利得和资本损失，这其实是管理会计相关的概念，利得是指买了一支股票，5块的买的，1000股，涨到10块，卖掉，收益5000（假设没除去其他费用），利得就是5000，同样，假如卖的价格是3块，那么损失就是2000. 其实扯的这个概念在分析特征与标签的关联时才可能用到。

下图，是两个变量原始的分布情况：比如利得的数据看着分散，偏左，如果是期望值是正态分布的话，数据需要转化一下，

使用对数进行转化，可以把极值变小，下图是转换后效果，看着是不是利得和损失的均值都更接近一些了。

这时数据的分布好一些，但仍需要对数据进行规一化操作，从而在下面使用监督学习器的时候能够被平等的对待

规一化操作的结果使得特征的范围被圈在一个极值范围之内，比如0，1之间，这里的规一化操作就是特征缩放。

没有规一化之前是这个样子

 

规一化之后是这个样子,可以对比一下上下两幅图的数据，

 对标签进行哑编码：（从定性变量转化成定量）

使用pandas.get_dummies()对'features_raw'数据来施加一个独热编码

转换之前：

转换之后：

第三步，进行训练集和测试集的分割，

  

第三步，模型性能评估

混淆矩阵的相关模型评价指标，比如说准确度，Fbeta指标（混合指标，准确率和召回率的混合，beta=0.5时，会强调准确率）

要想了解这个，其实可以先找个使用朴素贝叶斯预测瘟疫的例子，来了解什么假阳性，真阴性什么的。统计学概念，这里不累述，严格按照相关公式定义进行计算就可以。

第四步，选择一个监督模型来做学习器，并阐述其优缺点, 需要举例，并写出引用出处，

个人答案，可能不是太严格，也参考了很多网上的资料，

第五步，创建一个pipline来评估上面三个模型，选择最优

有条件限制：

1，比如选择数据的部分内容做预测，使用不同的size来做训练，包括样本的.01，.1和1

2，还是使用sklearn.metrics中的fbeta_score和accuracy_score来进行判定

下面是训练集的结果：

下面是测试集的结果：

 

 第六步，选择最优模型和调参

最优的话，从测试集的比例为1的结果来判断，逻辑回归胜出。

调优的话使用 sklearn的网格搜索，配置好对应的参数值，

在调用学习器的时候，grid_obj = GridSearchCV(estimator=clf,param_grid=parameters,scoring=scorer)

参数random_state可以让网格搜索每次划分训练集和验证集的时候都是完全一样的

逻辑回归的参数C，主要是控制模型在过拟合和欠拟合之间保持一个平衡。

 

结果如下，还是参数调优对模型本身是有帮助的。

第七步，提取特征重要性：

从下图可以看出，其实如果在提取特征这一步之前做主观推测的话，最重要的特征应该会跟下面五项有偏离，

但是下图显示，资本利得和资本损失的权重就比较高，原因应该是在于在此练习过程中，其他的特征都没有被数字化，