Titanic是kaggle上的一道just for fun的題，沒有獎金，但是資料整潔，拿來練手最好不過。

本文以 Titanic 的資料，使用較為簡單的決策樹，介紹處理資料大致過程、步驟

注意，本文的目的，在於幫助你入門資料探勘，熟悉處理資料步驟、流程

決策樹模型是一種簡單易用的非引數分類器。它不需要對資料有任何的先驗假設，計算速度較快，結果容易解釋，而且穩健性強，對噪聲資料和缺失資料不敏感。下面示範用kaggle競賽titanic中的資料集為做決策樹分類，目標變數為survive

讀取資料

import numpy as np
import pandas as pd

df = pd.read_csv('train.csv'
 
, header=0)

資料整理

• 只取出三個自變數
• 將Age（年齡）缺失的資料補全
• 將Pclass變數轉變為三個 Summy 變數
• 將sex轉為0-1變數

subdf = df[['Pclass','Sex','Age']]
y = df.Survived
# sklearn中的Imputer也可以
age = subdf['Age'].fillna(value=subdf.Age.mean())
# sklearn OneHotEncoder也可以
pclass = pd.get_dummies(subdf['Pclass'],prefix='Pclass')
sex = (subdf['Sex'
 
]=='male').astype('int')
X = pd.concat([pclass,age,sex],axis=1)
X.head()

輸出下圖結果

建立模型

• 將資料切分為 train 和 test

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=33)

• 在測試集(test)上觀察決策樹表現

from sklearn import
 
 tree
clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth=3,min_samples_leaf=5)
clf = clf.fit(X_train,y_train)
print("準確率為：{:.2f}".format(clf.score(X_test,y_test)))

輸出結果如下

準確率為：0.83

• 觀察各變數的重要性

clf.feature_importances_

輸出如下

array([ 0.08398076,  0.        ,  0.23320717,  0.10534824,  0.57746383])

• 生成特徵圖

import matplotlib.pyplot as plt
feature_importance = clf.feature_importances_
important_features = X_train.columns.values[0::]
feature_importance = 100.0 * (feature_importance / feature_importance.max())
sorted_idx = np.argsort(feature_importance)[::-1]
pos = np.arange(sorted_idx.shape[0]) + .5

plt.title('Feature Importance')
plt.barh(pos, feature_importance[sorted_idx[::-1]], color='r',align='center')
plt.yticks(pos, important_features)
plt.xlabel('Relative Importance')
plt.draw()
plt.show()

當然在得到重要的特徵後，我們就可以把不重要的特徵去掉了，以提高模型的訓練速度

最後是

• 使用交叉驗證來評估模型

from sklearn import cross_validation
scores1 = cross_validation.cross_val_score(clf, X, y, cv=10)
scores1

輸出結果如下：

array([ 0.82222222,  0.82222222,  0.7752809 ,  0.87640449,  0.82022472,
    0.76404494,  0.7752809 ,  0.76404494,  0.83146067,  0.78409091])

• 使用更多指標來評估模型

from sklearn import metrics
def measure_performance(X,y,clf, show_accuracy=True, 
                        show_classification_report=True, 
                        show_confusion_matrix=True):
    y_pred=clf.predict(X)   
    if show_accuracy:
        print("Accuracy:{0:.3f}".format(metrics.accuracy_score(y,y_pred)),"\n")

    if show_classification_report:
        print("Classification report")
        print(metrics.classification_report(y,y_pred),"\n")

    if show_confusion_matrix:
        print("Confusion matrix")
        print(metrics.confusion_matrix(y,y_pred),"\n")

measure_performance(X_test,y_test,clf, show_classification_report=True, show_confusion_matrix=True)

輸出結果如下，可以看到 precision（精確度）recall（召回率）等更多特徵

Accuracy:0.834 

Classification report
             precision    recall  f1-score   support

          0       0.85      0.88      0.86       134
          1       0.81      0.76      0.79        89

avg / total       0.83      0.83      0.83       223


Confusion matrix
[[118  16]
 [ 21  68]] 

與隨機森林進行比較

from sklearn.ensemble import RandomForestClassifier
clf2 = RandomForestClassifier(n_estimators=1000,random_state=33)
clf2 = clf2.fit(X_train,y_train)
scores2 = cross_validation.cross_val_score(clf2,X, y, cv=10)
clf2.feature_importances_
scores2.mean(), scores1.mean()

準確率輸出（這裡用的是10折交叉驗證後的平均值）

(0.81262938372488946, 0.80352769265690616)

可以看到隨機森林的準確要比決策樹高0.1左右

　總結

經過上面介紹分析，我們走過了一個數據科學家在拿到資料到得出結論的所有步驟

1. 讀入資料
2. 資料清理
3. 特徵工程
4. 構建模型
5. 模型評估
6. 引數調整
7. 模型比較

這篇文章重要的不是結果，而是幫助你瞭解處理資料大致過程、步驟

剩下的細節，就是你發揮自己的想象力，進行改進、創新了

參考連結