**

Kaggle實戰系列之Titanic專案

**

1.引言

先說一句，年末雙十一什麼的一來，真是非(mang)常(cheng)歡(gou)樂(le)！然後push自己抽出時間來寫這篇blog的原因也非常簡單：

• 寫完前兩篇邏輯迴歸的介紹和各個角度理解之後，我們討論群(戳我入群)的小夥伴們紛紛表示『好像很高階的樣紙，but 然並卵 啊！你們倒是拿點實際資料來給我們看看，這玩意兒 有！什！麼！用！啊！』
• talk is cheap, show me the code！
• no example say a jb！

OK，OK，這就來了咯，同學們彆著急，我們先找個簡單的實際例子，來看看，所謂的資料探勘

『喂，那幾個說要看大資料上機器學習應用的，對，就是說你們！彆著急好麼，我們之後拉點大一點實際資料用liblinear或者spark,MLlib跑給你們看，行不行？咱們先拿個例項入入門嘛』

好了，我是一個嚴肅的技術研究和分享者，咳咳，不能廢話了，各位同學繼續往下看吧！

2.背景

2.1 關於Kaggle

• 親，逼格這麼高的地方，你一定聽過對不對？是！這就是那個無數『資料探勘先驅』們，在回答”槍我有了，哪能找到靶子練練手啊？”時候的答案！
• 這是一個要資料有資料，要實際應用場景有場景，要一起在資料探勘領域high得不要不要的小夥伴就有小夥伴的地方啊！！！

艾瑪，逗逼模式開太猛了。恩，不鬧，不鬧，說正事，Kaggle是一個數據分析建模的應用競賽平臺，有點類似KDD-CUP（國際知識發現和資料探勘競賽），企業或者研究者可以將問題背景、資料、期望指標等釋出到Kaggle上，以競賽的形式向廣大的資料科學家徵集解決方案。而熱愛數(dong)據(shou)挖(zhe)掘(teng)的小夥伴們可以下載/分析資料，使用統計/機器學習/資料探勘等知識，建立演算法模型，得出結果並提交，排名top的可能會有獎金哦！

2.2 關於泰坦尼克號之災

• 帶大家去該問題頁面溜達一圈吧

• 下面是問題背景頁
• 下面是可下載Data的頁面
• 下面是小夥伴們最愛的forum頁面，你會看到各種神級人物厲(qi)害(pa)的資料處理/建模想法，你會直視『世界真奇妙』。

• 就是那個大家都熟悉的『Jack and Rose』的故事，豪華遊艇倒了，大家都驚恐逃生，可是救生艇的數量有限，無法人人都有，副船長髮話了『lady and kid first！』，所以是否獲救其實並非隨機，而是基於一些背景有rank先後的。

• 訓練和測試資料是一些乘客的個人資訊以及存活狀況，要嘗試根據它生成合適的模型並預測其他人的存活狀況。

• 對，這是一個二分類問題，是我們之前討論的logistic regression所能處理的範疇。

3.說明

接觸過Kaggle的同學們可能知道這個問題，也可能知道RandomForest和SVM等等演算法，甚至還對多個模型做過融合，取得過非常好的結果，那maybe這篇文章並不是針對你的，你可以自行略過。

我們因為之前只介紹了Logistic Regression這一種分類演算法。所以本次的問題解決過程和優化思路，都集中在這種演算法上。其餘的方法可能我們之後的文章裡會提到。

說點個人的觀點。不一定正確。 『解決一個問題的方法和思路不止一種』 『沒有所謂的機器學習演算法優劣，也沒有絕對高效能的機器學習演算法，只有在特定的場景、資料和特徵下更合適的機器學習演算法。』

4.怎麼做？

手把手教程馬上就來，先來兩條我看到的，覺得很重要的經驗。

1. 印象中Andrew Ng老師似乎在coursera上說過，應用機器學習，千萬不要一上來就試圖做到完美，先擼一個baseline的model出來，再進行後續的分析步驟，一步步提高，所謂後續步驟可能包括『分析model現在的狀態(欠/過擬合)，分析我們使用的feature的作用大小，進行feature selection，以及我們模型下的bad case和產生的原因』等等。

2. Kaggle上的大神們，也分享過一些experience，說幾條我記得的哈：

• 『對資料的認識太重要了！』
• 『資料中的特殊點/離群點的分析和處理太重要了！』
• 『特徵工程(feature engineering)太重要了！在很多Kaggle的場景下，甚至比model本身還要重要』
• 『要做模型融合(model ensemble)啊啊啊！』

更多的經驗分享請加討論群，具體方式請聯絡作者，或者參見《“ML學分計劃”說明書》

5.初探資料

先看看我們的資料，長什麼樣吧。在Data下我們train.csv和test.csv兩個檔案，分別存著官方給的訓練和測試資料。

import pandas as pd #資料分析
import numpy as np #科學計算
from pandas import Series,DataFrame

data_train = pd.read_csv("/Users/Hanxiaoyang/Titanic_data/Train.csv")
data_train

• 1
• 2
• 3
• 4
• 5
• 6

pandas是常用的python資料處理包，把csv檔案讀入成dataframe各式，我們在ipython notebook中，看到data_train如下所示：

這就是典型的dataframe格式，如果你沒接觸過這種格式，完全沒有關係，你就把它想象成Excel裡面的列好了。 我們看到，總共有12列，其中Survived欄位表示的是該乘客是否獲救，其餘都是乘客的個人資訊，包括：

• PassengerId => 乘客ID
• Pclass => 乘客等級(1/2/3等艙位)
• Name => 乘客姓名
• Sex => 性別
• Age => 年齡
• SibSp => 堂兄弟/妹個數
• Parch => 父母與小孩個數
• Ticket => 船票資訊
• Fare => 票價
• Cabin => 客艙
• Embarked => 登船港口

逐條往下看，要看完這麼多條，眼睛都有一種要瞎的趕腳。好吧，我們讓dataframe自己告訴我們一些資訊，如下所示：

data_train.info()

• 1

看到了如下的資訊：

上面的資料說啥了？它告訴我們，訓練資料中總共有891名乘客，但是很不幸，我們有些屬性的資料不全，比如說：

• Age（年齡）屬性只有714名乘客有記錄
• Cabin（客艙）更是隻有204名乘客是已知的

似乎資訊略少啊，想再瞄一眼具體資料數值情況呢？恩，我們用下列的方法，得到數值型資料的一些分佈(因為有些屬性，比如姓名，是文字型；而另外一些屬性，比如登船港口，是類目型。這些我們用下面的函式是看不到的)：

我們從上面看到更進一步的什麼資訊呢？ mean欄位告訴我們，大概0.383838的人最後獲救了，2/3等艙的人數比1等艙要多，平均乘客年齡大概是29.7歲(計算這個時候會略掉無記錄的)等等…

6.資料初步分析

每個乘客都這麼多屬性，那我們咋知道哪些屬性更有用，而又應該怎麼用它們啊？說實話這會兒我也不知道，但我們記得前面提到過

• 『對資料的認識太重要了！』
• 『對資料的認識太重要了！』
• 『對資料的認識太重要了！』

重要的事情說三遍，恩，說完了。僅僅最上面的對資料瞭解，依舊無法給我們提供想法和思路。我們再深入一點來看看我們的資料，看看每個/多個 屬性和最後的Survived之間有著什麼樣的關係呢。

6.1 乘客各屬性分佈

腦容量太有限了…數值看花眼了。我們還是統計統計，畫些圖來看看屬性和結果之間的關係好了，程式碼如下：

import matplotlib.pyplot as plt
fig = plt.figure()
fig.set(alpha=0.2)  # 設定圖表顏色alpha引數

plt.subplot2grid((2,3),(0,0))             # 在一張大圖裡分列幾個小圖
data_train.Survived.value_counts().plot(kind='bar')# 柱狀圖 
plt.title(u"獲救情況 (1為獲救)") # 標題
plt.ylabel(u"人數")  

plt.subplot2grid((2,3),(0,1))
data_train.Pclass.value_counts().plot(kind="bar")
plt.ylabel(u"人數")
plt.title(u"乘客等級分佈")

plt.subplot2grid((2,3),(0,2))
plt.scatter(data_train.Survived, data_train.Age)
plt.ylabel(u"年齡")                         # 設定縱座標名稱
plt.grid(b=True, which='major', axis='y') 
plt.title(u"按年齡看獲救分佈 (1為獲救)")


plt.subplot2grid((2,3),(1,0), colspan=2)
data_train.Age[data_train.Pclass == 1].plot(kind='kde')   
data_train.Age[data_train.Pclass == 2].plot(kind='kde')
data_train.Age[data_train.Pclass == 3].plot(kind='kde')
plt.xlabel(u"年齡")# plots an axis lable
plt.ylabel(u"密度") 
plt.title(u"各等級的乘客年齡分佈")
plt.legend((u'頭等艙', u'2等艙',u'3等艙'),loc='best') # sets our legend for our graph.


plt.subplot2grid((2,3),(1,2))
data_train.Embarked.value_counts().plot(kind='bar')
plt.title(u"各登船口岸上船人數")
plt.ylabel(u"人數")  
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36

bingo，圖還是比數字好看多了。所以我們在圖上可以看出來，被救的人300多點，不到半數；3等艙乘客灰常多；遇難和獲救的人年齡似乎跨度都很廣；3個不同的艙年齡總體趨勢似乎也一致，2/3等艙乘客20歲多點的人最多，1等艙40歲左右的最多(→_→似乎符合財富和年齡的分配哈，咳咳，別理我，我瞎扯的)；登船港口人數按照S、C、Q遞減，而且S遠多於另外倆港口。

這個時候我們可能會有一些想法了：

• 不同艙位/乘客等級可能和財富/地位有關係，最後獲救概率可能會不一樣
• 年齡對獲救概率也一定是有影響的，畢竟前面說了，副船長還說『小孩和女士先走』呢
• 和登船港口是不是有關係呢？也許登船港口不同，人的出身地位不同？

口說無憑，空想無益。老老實實再來統計統計，看看這些屬性值的統計分佈吧。

6.2 屬性與獲救結果的關聯統計

#看看各乘客等級的獲救情況
fig = plt.figure()
fig.set(alpha=0.2)  # 設定圖表顏色alpha引數

Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts()
Survived_1 = data_train.Pclass[data_train.Survived == 1].value_counts()
df=pd.DataFrame({u'獲救':Survived_1, u'未獲救':Survived_0})
df.plot(kind='bar', stacked=True)
plt.title(u"各乘客等級的獲救情況")
plt.xlabel(u"乘客等級") 
plt.ylabel(u"人數") 
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

嘖嘖，果然，錢和地位對艙位有影響，進而對獲救的可能性也有影響啊←_← 咳咳，跑題了，我想說的是，明顯等級為1的乘客，獲救的概率高很多。恩，這個一定是影響最後獲救結果的一個特徵。

#看看各性別的獲救情況
fig = plt.figure()
fig.set(alpha=0.2)  # 設定圖表顏色alpha引數

Survived_m = data_train.Survived[data_train.Sex == 'male'].value_counts()
Survived_f = data_train.Survived[data_train.Sex == 'female'].value_counts()
df=pd.DataFrame({u'男性':Survived_m, u'女性':Survived_f})
df.plot(kind='bar', stacked=True)
plt.title(u"按性別看獲救情況")
plt.xlabel(u"性別") 
plt.ylabel(u"人數")
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

歪果盆友果然很尊重lady，lady first踐行得不錯。性別無疑也要作為重要特徵加入最後的模型之中。

再來個詳細版的好了。

 #然後我們再來看看各種艙級別情況下各性別的獲救情況
fig=plt.figure()
fig.set(alpha=0.65) # 設定影象透明度，無所謂
plt.title(u"根據艙等級和性別的獲救情況")

ax1=fig.add_subplot(141)
data_train.Survived[data_train.Sex == 'female'][data_train.Pclass != 3].value_counts().plot(kind='bar', label="female highclass", color='#FA2479')
ax1.set_xticklabels([u"獲救", u"未獲救"], rotation=0)
ax1.legend([u"女性/高階艙"], loc='best')

ax2=fig.add_subplot(142, sharey=ax1)
data_train.Survived[data_train.Sex == 'female'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='female, low class', color='pink')
ax2.set_xticklabels([u"未獲救", u"獲救"], rotation=0)
plt.legend([u"女性/低階艙"], loc='best')

ax3=fig.add_subplot(143, sharey=ax1)
data_train.Survived[data_train.Sex == 'male'][data_train.Pclass != 3].value_counts().plot(kind='bar', label='male, high class',color='lightblue')
ax3.set_xticklabels([u"未獲救", u"獲救"], rotation=0)
plt.legend([u"男性/高階艙"], loc='best')

ax4=fig.add_subplot(144, sharey=ax1)
data_train.Survived[data_train.Sex == 'male'][data_train.Pclass == 3].value_counts().plot(kind='bar', label='male low class', color='steelblue')
ax4.set_xticklabels([u"未獲救", u"獲救"], rotation=0)
plt.legend([u"男性/低階艙"], loc='best')

plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28

恩，堅定了之前的判斷。

我們看看各登船港口的獲救情況。

fig = plt.figure()
fig.set(alpha=0.2)  # 設定圖表顏色alpha引數

Survived_0 = data_train.Embarked[data_train.Survived == 0].value_counts()
Survived_1 = data_train.Embarked[data_train.Survived == 1].value_counts()
df=pd.DataFrame({u'獲救':Survived_1, u'未獲救':Survived_0})
df.plot(kind='bar', stacked=True)
plt.title(u"各登入港口乘客的獲救情況")
plt.xlabel(u"登入港口") 
plt.ylabel(u"人數") 

plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

下面我們來看看 堂兄弟/妹，孩子/父母有幾人，對是否獲救的影響。

g = data_train.groupby(['SibSp','Survived'])
df = pd.DataFrame(g.count()['PassengerId'])
print df

g = data_train.groupby(['SibSp','Survived'])
df = pd.DataFrame(g.count()['PassengerId'])
print df

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

好吧，沒看出特別特別明顯的規律(為自己的智商感到捉急…)，先作為備選特徵，放一放。

#ticket是船票編號，應該是unique的，和最後的結果沒有太大的關係，先不納入考慮的特徵範疇把
#cabin只有204個乘客有值，我們先看看它的一個分佈
data_train.Cabin.value_counts()

• 1
• 2
• 3
• 4
• 5

部分結果如下：

這三三兩兩的…如此不集中…我們猜一下，也許，前面的ABCDE是指的甲板位置、然後編號是房間號？…好吧，我瞎說的，別當真…

關鍵是Cabin這鬼屬性，應該算作類目型的，本來缺失值就多，還如此不集中，註定是個棘手貨…第一感覺，這玩意兒如果直接按照類目特徵處理的話，太散了，估計每個因子化後的特徵都拿不到什麼權重。加上有那麼多缺失值，要不我們先把Cabin缺失與否作為條件(雖然這部分資訊缺失可能並非未登記，maybe只是丟失了而已，所以這樣做未必妥當)，先在有無Cabin資訊這個粗粒度上看看Survived的情況好了。

fig = plt.figure()
fig.set(alpha=0.2)  # 設定圖表顏色alpha引數

Survived_cabin = data_train.Survived[pd.notnull(data_train.Cabin)].value_counts()
Survived_nocabin = data_train.Survived[pd.isnull(data_train.Cabin)].value_counts()
df=pd.DataFrame({u'有':Survived_cabin, u'無':Survived_nocabin}).transpose()
df.plot(kind='bar', stacked=True)
plt.title(u"按Cabin有無看獲救情況")
plt.xlabel(u"Cabin有無") 
plt.ylabel(u"人數")
plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

咳咳，有Cabin記錄的似乎獲救概率稍高一些，先這麼著放一放吧。

7.簡單資料預處理

大體資料的情況看了一遍，對感興趣的屬性也有個大概的瞭解了。 下一步幹啥？咱們該處理處理這些資料，為機器學習建模做點準備了。

對了，我這裡說的資料預處理，其實就包括了很多Kaggler津津樂道的feature engineering過程，灰常灰常有必要！

『特徵工程(feature engineering)太重要了！』 『特徵工程(feature engineering)太重要了！』 『特徵工程(feature engineering)太重要了！』

恩，重要的事情說三遍。

先從最突出的資料屬性開始吧，對，Cabin和Age，有丟失資料實在是對下一步工作影響太大。

先說Cabin，暫時我們就按照剛才說的，按Cabin有無資料，將這個屬性處理成Yes和No兩種型別吧。

再說Age：

通常遇到缺值的情況，我們會有幾種常見的處理方式

• 如果缺值的樣本佔總數比例極高，我們可能就直接捨棄了，作為特徵加入的話，可能反倒帶入noise，影響最後的結果了
• 如果缺值的樣本適中，而該屬性非連續值特徵屬性(比如說類目屬性)，那就把NaN作為一個新類別，加到類別特徵中
• 如果缺值的樣本適中，而該屬性為連續值特徵屬性，有時候我們會考慮給定一個step(比如這裡的age，我們可以考慮每隔2/3歲為一個步長)，然後把它離散化，之後把NaN作為一個type加到屬性類目中。
• 有些情況下，缺失的值個數並不是特別多，那我們也可以試著根據已有的值，擬合一下資料，補充上。

本例中，後兩種處理方式應該都是可行的，我們先試試擬合補全吧(雖然說沒有特別多的背景可供我們擬合，這不一定是一個多麼好的選擇)

我們這裡用scikit-learn中的RandomForest來擬合一下缺失的年齡資料(注：RandomForest是一個用在原始資料中做不同取樣，建立多顆DecisionTree，再進行average等等來降低過擬合現象，提高結果的機器學習演算法，我們之後會介紹到)

from sklearn.ensemble import RandomForestRegressor

### 使用 RandomForestClassifier 填補缺失的年齡屬性
def set_missing_ages(df):

    # 把已有的數值型特徵取出來丟進Random Forest Regressor中
    age_df = df[['Age','Fare', 'Parch', 'SibSp', 'Pclass']]

    # 乘客分成已知年齡和未知年齡兩部分
    known_age = age_df[age_df.Age.notnull()].as_matrix()
    unknown_age = age_df[age_df.Age.isnull()].as_matrix()

    # y即目標年齡
    y = known_age[:, 0]

    # X即特徵屬性值
    X = known_age[:, 1:]

    # fit到RandomForestRegressor之中
    rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1)
    rfr.fit(X, y)

    # 用得到的模型進行未知年齡結果預測
    predictedAges = rfr.predict(unknown_age[:, 1::])

    # 用得到的預測結果填補原缺失資料
    df.loc[ (df.Age.isnull()), 'Age' ] = predictedAges 

    return df, rfr

def set_Cabin_type(df):
    df.loc[ (df.Cabin.notnull()), 'Cabin' ] = "Yes"
    df.loc[ (df.Cabin.isnull()), 'Cabin' ] = "No"
    return df

data_train, rfr = set_missing_ages(data_train)
data_train = set_Cabin_type(data_train)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39

恩。目的達到，OK了。

因為邏輯迴歸建模時，需要輸入的特徵都是數值型特徵，我們通常會先對類目型的特徵因子化。 什麼叫做因子化呢？舉個例子：

以Cabin為例，原本一個屬性維度，因為其取值可以是[‘yes’,’no’]，而將其平展開為’Cabin_yes’,’Cabin_no’兩個屬性

• 原本Cabin取值為yes的，在此處的”Cabin_yes”下取值為1，在”Cabin_no”下取值為0
• 原本Cabin取值為no的，在此處的”Cabin_yes”下取值為0，在”Cabin_no”下取值為1

我們使用pandas的”get_dummies”來完成這個工作，並拼接在原來的”data_train”之上，如下所示。

dummies_Cabin = pd.get_dummies(data_train['Cabin'], prefix= 'Cabin')

dummies_Embarked = pd.get_dummies(data_train['Embarked'], prefix= 'Embarked')

dummies_Sex = pd.get_dummies(data_train['Sex'], prefix= 'Sex')

dummies_Pclass = pd.get_dummies(data_train['Pclass'], prefix= 'Pclass')

df = pd.concat([data_train, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1)
df.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True)
df

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

bingo，我們很成功地把這些類目屬性全都轉成0，1的數值屬性了。

這樣，看起來，是不是我們需要的屬性值都有了，且它們都是數值型屬性呢。

有一種臨近結果的寵寵欲動感吧，莫急莫急，我們還得做一些處理，仔細看看Age和Fare兩個屬性，乘客的數值幅度變化，也忒大了吧！！如果大家瞭解邏輯迴歸與梯度下降的話，會知道，各屬性值之間scale差距太大，將對收斂速度造成幾萬點傷害值！甚至不收斂！ (╬▔皿▔)…所以我們先用scikit-learn裡面的preprocessing模組對這倆貨做一個scaling，所謂scaling，其實就是將一些變化幅度較大的特徵化到[-1,1]之內。

import sklearn.preprocessing as preprocessing
scaler = preprocessing.StandardScaler()
age_scale_param = scaler.fit(df['Age'])
df['Age_scaled'] = scaler.fit_transform(df['Age'], age_scale_param)
fare_scale_param = scaler.fit(df['Fare'])
df['Fare_scaled'] = scaler.fit_transform(df['Fare'], fare_scale_param)
df

• 1
• 2
• 3
• 4
• 5
• 6
• 7

恩，好看多了，萬事俱備，只欠建模。馬上就要看到成效了，哈哈。我們把需要的屬性值抽出來，轉成scikit-learn裡面LogisticRegression可以處理的格式。

8.邏輯迴歸建模

我們把需要的feature欄位取出來，轉成numpy格式，使用scikit-learn中的LogisticRegression建模。

from sklearn import linear_model

# 用正則取出我們要的屬性值
train_df = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
train_np = train_df.as_matrix()

# y即Survival結果
y = train_np[:, 0]

# X即特徵屬性值
X = train_np[:, 1:]

# fit到RandomForestRegressor之中
clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6)
clf.fit(X, y)

clf

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

good，很順利，我們得到了一個model，如下：

先淡定！淡定！你以為把test.csv直接丟進model裡就能拿到結果啊…騷年，圖樣圖森破啊！我們的”test_data”也要做和”train_data”一樣的預處理啊！！

data_test = pd.read_csv("/Users/Hanxiaoyang/Titanic_data/test.csv")
data_test.loc[ (data_test.Fare.isnull()), 'Fare' ] = 0
# 接著我們對test_data做和train_data中一致的特徵變換
# 首先用同樣的RandomForestRegressor模型填上丟失的年齡
tmp_df = data_test[['Age','Fare', 'Parch', 'SibSp', 'Pclass']]
null_age = tmp_df[data_test.Age.isnull()].as_matrix()
# 根據特徵屬性X預測年齡並補上
X = null_age[:, 1:]
predictedAges = rfr.predict(X)
data_test.loc[ (data_test.Age.isnull()), 'Age' ] = predictedAges

data_test = set_Cabin_type(data_test)
dummies_Cabin = pd.get_dummies(data_test['Cabin'], prefix= 'Cabin')
dummies_Embarked = pd.get_dummies(data_test['Embarked'], prefix= 'Embarked')
dummies_Sex = pd.get_dummies(data_test['Sex'], prefix= 'Sex')
dummies_Pclass = pd.get_dummies(data_test['Pclass'], prefix= 'Pclass')


df_test = pd.concat([data_test, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1)
df_test.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True)
df_test['Age_scaled'] = scaler.fit_transform(df_test['Age'], age_scale_param)
df_test['Fare_scaled'] = scaler.fit_transform(df_test['Fare'], fare_scale_param)
df_test

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25

不錯不錯，資料很OK，差最後一步了。 下面就做預測取結果吧！！

test = df_test.filter(regex='Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
predictions = clf.predict(test)
result = pd.DataFrame({'PassengerId':data_test['PassengerId'].as_matrix(), 'Survived':predictions.astype(np.int32)})
result.to_csv("/Users/Hanxiaoyang/Titanic_data/logistic_regression_predictions.csv", index=False)

• 1
• 2
• 3
• 4

嘖嘖，挺好，格式正確，去make a submission啦啦啦！

在Kaggle的Make a submission頁面，提交上結果。如下：

0.76555，恩，結果還不錯。畢竟，這只是我們簡單分析處理過後出的一個baseline模型嘛。

9.邏輯迴歸系統優化

9.1 模型係數關聯分析

親，你以為結果提交上了，就完事了？ 我不會告訴你，這只是萬里長征第一步啊(淚牛滿面)！！！這才剛擼完baseline model啊！！！還得優化啊！！！

看過Andrew Ng老師的machine Learning課程的同學們，知道，我們應該分析分析模型現在的狀態了，是過/欠擬合？，以確定我們需要更多的特徵還是更多資料，或者其他操作。我們有一條很著名的learning curves對吧。

不過在現在的場景下，先不著急做這個事情，我們這個baseline系統還有些粗糙，先再挖掘挖掘。

• 首先，Name和Ticket兩個屬性被我們完整捨棄了(好吧，其實是因為這倆屬性，幾乎每一條記錄都是一個完全不同的值，我們並沒有找到很直接的處理方式)。

• 然後，我們想想，年齡的擬合本身也未必是一件非常靠譜的事情，我們依據其餘屬性，其實並不能很好地擬合預測出未知的年齡。再一個，以我們的日常經驗，小盆友和老人可能得到的照顧會多一些，這樣看的話，年齡作為一個連續值，給一個固定的係數，應該和年齡是一個正相關或者負相關，似乎體現不出兩頭受照顧的實際情況，所以，說不定我們把年齡離散化，按區段分作類別屬性會更合適一些。

上面只是我瞎想的，who knows是不是這麼回事呢，老老實實先把得到的model係數和feature關聯起來看看。

pd.DataFrame({"columns":list(train_df.columns)[1:], "coef":list(clf.coef_.T)})

• 1

首先，大家回去前兩篇文章裡瞄一眼公式就知道，這些係數為正的特徵，和最後結果是一個正相關，反之為負相關。

我們先看看那些權重絕對值非常大的feature，在我們的模型上：

• Sex屬性，如果是female會極大提高最後獲救的概率，而male會很大程度拉低這個概率。
• Pclass屬性，1等艙乘客最後獲救的概率會上升，而乘客等級為3會極大地拉低這個概率。
• 有Cabin值會很大程度拉昇最後獲救概率(這裡似乎能看到了一點端倪，事實上從最上面的有無Cabin記錄的Survived分佈圖上看出，即使有Cabin記錄的乘客也有一部分遇難了，估計這個屬性上我們挖掘還不夠)
• Age是一個負相關，意味著在我們的模型裡，年齡越小，越有獲救的優先權(還得回原資料看看這個是否合理）
• 有一個登船港口S會很大程度拉低獲救的概率，另外倆港口壓根就沒啥作用(這個實際上非常奇怪，因為我們從之前的統計圖上並沒有看到S港口的獲救率非常低，所以也許可以考慮把登船港口這個feature去掉試試)。
• 船票Fare有小幅度的正相關(並不意味著這個feature作用不大，有可能是我們細化的程度還不夠，舉個例子，說不定我們得對它離散化，再分至各個乘客等級上？)

噢啦，觀察完了，我們現在有一些想法了，但是怎麼樣才知道，哪些優化的方法是promising的呢？

因為test.csv裡面並沒有Survived這個欄位(好吧，這是廢話，這明明就是我們要預測的結果)，我們無法在這份資料上評定我們演算法在該場景下的效果…

而『每做一次調整就make a submission，然後根據結果來判定這次調整的好壞』其實是行不通的…

9.2 交叉驗證

重點又來了：

『要做交叉驗證(cross validation)!』 『要做交叉驗證(cross validation)!』 『要做交叉驗證(cross validation)!』

恩，重要的事情說三遍。我們通常情況下，這麼做cross validation：把train.csv分成兩部分，一部分用於訓練我們需要的模型，另外一部分資料上看我們預測演算法的效果。

我們用scikit-learn的cross_validation來幫我們完成小資料集上的這個工作。

先簡單看看cross validation情況下的打分

from sklearn import cross_validation

 #簡單看看打分情況
clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6)
all_data = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
X = all_data.as_matrix()[:,1:]
y = all_data.as_matrix()[:,0]
print cross_validation.cross_val_score(clf, X, y, cv=5)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

結果是下面醬紫的： [0.81564246 0.81005587 0.78651685 0.78651685 0.81355932]

似乎比Kaggle上的結果略高哈，畢竟用的是不是同一份資料集評估的。

等等，既然我們要做交叉驗證，那我們乾脆先把交叉驗證裡面的bad case拿出來看看，看看人眼稽核，是否能發現什麼蛛絲馬跡，是我們忽略了哪些資訊，使得這些乘客被判定錯了。再把bad case上得到的想法和前頭係數分析的合在一起，然後逐個試試。

下面我們做資料分割，並且在原始資料集上瞄一眼bad case：

# 分割資料，按照 訓練資料:cv資料 = 7:3的比例
split_train, split_cv = cross_validation.train_test_split(df, test_size=0.3, random_state=0)
train_df = split_train.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
# 生成模型
clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6)
clf.fit(train_df.as_matrix()[:,1:], train_df.as_matrix()[:,0])

# 對cross validation資料進行預測

cv_df = split_cv.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
predictions = clf.predict(cv_df.as_matrix()[:,1:])

origin_data_train = pd.read_csv("/Users/HanXiaoyang/Titanic_data/Train.csv")
bad_cases = origin_data_train.loc[origin_data_train['PassengerId'].isin(split_cv[predictions != cv_df.as_matrix()[:,0]]['PassengerId'].values)]
bad_cases

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

我們判定錯誤的 bad case 中部分資料如下：

大家可以自己跑一遍試試，拿到bad cases之後，仔細看看。也會有一些猜測和想法。其中會有一部分可能會印證在係數分析部分的猜測，那這些優化的想法優先順序可以放高一些。

現在有了”train_df” 和 “vc_df” 兩個資料部分，前者用於訓練model，後者用於評定和選擇模型。可以開始可勁折騰了。

我們隨便列一些可能可以做的優化操作：

• Age屬性不使用現在的擬合方式，而是根據名稱中的『Mr』『Mrs』『Miss』等的平均值進行填充。
• Age不做成一個連續值屬性，而是使用一個步長進行離散化，變成離散的類目feature。
• Cabin再細化一些，對於有記錄的Cabin屬性，我們將其分為前面的字母部分(我猜是位置和船層之類的資訊) 和 後面的數字部分(應該是房間號，有意思的事情是，如果你仔細看看原始資料，你會發現，這個值大的情況下，似乎獲救的可能性高一些)。
• Pclass和Sex倆太重要了，我們試著用它們去組出一個組合屬性來試試，這也是另外一種程度的細化。
• 單加一個Child欄位，Age<=12的，設為1，其餘為0(你去看看資料，確實小盆友優先程度很高啊)
• 如果名字裡面有『Mrs』，而Parch>1的，我們猜測她可能是一個母親，應該獲救的概率也會提高，因此可以多加一個Mother欄位，此種情況下設為1，其餘情況下設為0
• 登船港口可以考慮先去掉試試(Q和C本來就沒權重，S有點詭異)
• 把堂兄弟/兄妹 和 Parch 還有自己 個數加在一起組一個Family_size欄位(考慮到大家族可能對最後的結果有影響)
• Name是一個我們一直沒有觸碰的屬性，我們可以做一些簡單的處理，比如說男性中帶某些字眼的(‘Capt’, ‘Don’, ‘Major’, ‘Sir’)可以統一到一個Title，女性也一樣。

大家接著往下挖掘，可能還可以想到更多可以細挖的部分。我這裡先列這些了，然後我們可以使用手頭上的”train_df”和”cv_df”開始試驗這些feature engineering的tricks是否有效了。

試驗的過程比較漫長，也需要有耐心，而且我們經常會面臨很尷尬的狀況，就是我們靈光一閃，想到一個feature，然後堅信它一定有效，結果試驗下來，效果還不如試驗之前的結果。恩，需要堅持和耐心，以及不斷的挖掘。

我最好的結果是在『Survived~C(Pclass)+C(Title)+C(Sex)+C(Age_bucket)+C(Cabin_num_bucket)Mother+Fare+Family_Size』下取得的，結果如下(抱歉，博主君commit的時候手抖把頁面關了，於是沒截著圖，下面這張圖是在我得到最高分之後，用這次的結果重新make commission的，截了個圖，得分是0.79426，不是目前我的最高分哈，因此排名木有變…)：

9.3 learning curves

有一個很可能發生的問題是，我們不斷地做feature engineering，產生的特徵越來越多，用這些特徵去訓練模型，會對我們的訓練集擬合得越來越好，同時也可能在逐步喪失泛化能力，從而在待預測的資料上，表現不佳，也就是發生過擬合問題。

從另一個角度上說，如果模型在待預測的資料上表現不佳，除掉上面說的過擬合問題，也有可能是欠擬合問題，也就是說在訓練集上，其實擬合的也不是那麼好。

額，這個欠擬合和過擬合怎麼解釋呢。這麼說吧：

• 過擬合就像是你班那個學數學比較刻板的同學，老師講過的題目，一字不漏全記下來了，於是老師再出一樣的題目，分分鐘精確出結果。but數學考試，因為總是碰到新題目，所以成績不咋地。
• 欠擬合就像是，咳咳，和博主level差不多的差生。連老師講的練習題也記不住，於是連老師出一樣題目複習的周測都做不好，考試更是可想而知了。

而在機器學習的問題上，對於過擬合和欠擬合兩種情形。我們優化的方式是不同的。

對過擬合而言，通常以下策略對結果優化是有用的：

• 做一下feature selection，挑出較好的feature的subset來做training
• 提供更多的資料，從而彌補原始資料的bias問題，學習到的model也會更準確

而對於欠擬合而言，我們通常需要更多的feature，更復雜的模型來提高準確度。

著名的learning curve可以幫我們判定我們的模型現在所處的狀態。我們以樣本數為橫座標，訓練和交叉驗證集上的錯誤率作為縱座標，兩種狀態分別如下兩張圖所示：過擬合(overfitting/high variace)，欠擬合(underfitting/high bias)

我們也可以把錯誤率替換成準確率(得分)，得到另一種形式的learning curve(sklearn 裡面是這麼做的)。

回到我們的問題，我們用scikit-learn裡面的learning_curve來幫我們分辨我們模型的狀態。舉個例子，這裡我們一起畫一下我們最先得到的baseline model的learning curve。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.learning_curve import learning_curve

# 用sklearn的learning_curve得到training_score和cv_score，使用matplotlib畫出learning curve
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None, n_jobs=1, 
                        train_sizes=np.linspace(.05, 1., 20), verbose=0, plot=True):
    """
    畫出data在某模型上的learning curve.
    引數解釋
    ----------
    estimator : 你用的分類器。
    title : 表格的標題。
    X : 輸入的feature，numpy型別
    y : 輸入的target vector
    ylim : tuple格式的(ymin, ymax), 設定影象中縱座標的最低點和最高點
    cv : 做cross-validation的時候，資料分成的份數，其中一份作為cv集，其餘n-1份作為training(預設為3份)
    n_jobs : 並行的的任務數(預設1)
    """
    train_sizes, train_scores, test_scores = learning_curve(
        estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes, verbose=verbose)

    train_scores_mean = np.mean(train_scores, axis=1)
    train_scores_std = np.std(train_scores, axis=1)
    test_scores_mean = np.mean(test_scores, axis=1)
    test_scores_std = np.std(test_scores, axis=1)

    if plot:
        plt.figure()
        plt.title(title)
        if ylim is not None:
            plt.ylim(*ylim)
        plt.xlabel(u"訓練樣本數")
        plt.ylabel(u"得分")
        plt.gca().invert_yaxis()
        plt.grid()

        plt.fill_between(train_sizes, train_scores_mean - train_scores_std, train_scores_mean + train_scores_std, 
                         alpha=0.1, color="b")
        plt.fill_between(train_sizes, test_scores_mean - test_scores_std, test_scores_mean + test_scores_std, 
                         alpha=0.1, color="r")
        plt.plot(train_sizes, train_scores_mean, 'o-', color="b", label=u"訓練集上得分")
        plt.plot(train_sizes, test_scores_mean, 'o-', color="r", label=u"交叉驗證集上得分")

        plt.legend(loc="best")

        plt.draw()
        plt.show()
        plt.gca().invert_yaxis()

    midpoint = ((train_scores_mean[-1] + train_scores_std[-1]) + (test_scores_mean[-1] - test_scores_std[-1])) / 2
    diff = (train_scores_mean[-1] + train_scores_std[-1]) - (test_scores_mean[-1] - test_scores_std[-1])
    return midpoint, diff

plot_learning_curve(clf, u"學習曲線", X, y)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55

在實際資料上看，我們得到的learning curve沒有理論推導的那麼光滑哈，但是可以大致看出來，訓練集和交叉驗證集上的得分曲線走勢還是符合預期的。

目前的曲線看來，我們的model並不處於overfitting的狀態(overfitting的表現一般是訓練集上得分高，而交叉驗證集上要低很多，中間的gap比較大)。因此我們可以再做些feature engineering的工作，新增一些新產出的特徵或者組合特徵到模型中。

10.模型融合(model ensemble)

好了，終於到這一步了，我們要祭出機器學習/資料探勘上通常最後會用到的大殺器了。恩，模型融合。

『強迫症患者』打算繼續喊喊口號… 『模型融合(model ensemble)很重要！』 『模型融合(model ensemble)很重要！』 『模型融合(model ensemble)很重要！』 重要的事情說三遍，恩，噢啦。

先解釋解釋，一會兒再回到我們的問題上哈。 啥叫模型融合呢，我們還是舉幾個例子直觀理解一下好了。

大家都看過知識問答的綜藝節目中，求助現場觀眾時候，讓觀眾投票，最高的答案作為自己的答案的形式吧，每個人都有一個判定結果，最後我們相信答案在大多數人手裡。

再通俗一點舉個例子。你和你班某數學大神關係好，每次作業都『模仿』他的，於是絕大多數情況下，他做對了，你也對了。突然某一天大神腦子犯糊塗，手一抖，寫錯了一個數，於是…恩，你也只能跟著錯了。 我們再來看看另外一個場景，你和你班5個數學大神關係都很好，每次都把他們作業拿過來，對比一下，再『自己做』，那你想想，如果哪天某大