僅 10分鐘：開啟你的機器學習之路
機器學習之路雖漫漫無垠，但莘莘學子依然紛紛投入到機器學習的洪流中。如何更有效地開始機器學習呢？所謂「八仙過海，各顯神通」，本文作者以Python語言為工具進行機器學習，並以Kaggle競賽中的泰坦尼克號項目進行詳細解讀。跟著小編來看看吧！
隨著行業內機器學習的崛起，能夠幫用戶快速叠代整個過程的工具變得至關重要。Python，機器學習技術領域冉冉升起的一顆新星，往往是帶你走向成功的首選。因此，用 Python 實現機器學習的指南是非常必要的。
用 Python 實現機器學習的介紹
那麽為什麽是 Python 呢？根據我的經驗，Python 是最容易學習的編程語言之一。現在需要快速叠代整個過程，與此同時，數據科學家不需要深入了解這種語言，因為他們可以快速掌握它。
有多容易呢？
for anything in the_list:
print(anything)
就這麽容易。Python 的語法和英語（或人類語言，而不是機器語言）語法關系密切。在 Python 的語法中沒有愚蠢的大括號造成的困擾。我有一個從事質量保證（Quality Assurance）工作的同事，雖然不是軟件工程師，但她可以在一天內寫出產品級的 Python 代碼。（真的！）
我將在下文中介紹幾個基於 Python 的庫。作為數據分析師和數據科學家，我們可以利用他們的傑作來幫助我們完成任務。這些不可思議的庫是用 Python 實現機器學習的必備工具。
NumPy
這是一個非常有名的數據分析庫。從計算數據分布的中位數，到處理多維數組，NumPy 都可以幫你完成。
Pandas
這是用來處理 CSV 文件的。當然了，你還需要處理一些表格、查看統計數據等，那 Pandas 就是可以滿足你的需求的工具。
Matplotlib
把數據存儲在 Pandas 的數據框後，你可能需要做一些可視化來理解數據的更多信息。畢竟一圖抵千言。
Seaborn
這是另一個可視化工具，但這個工具更側重於統計結果的可視化，比如直方圖、餅圖、曲線圖或相關性表等。
Scikit-Learn
這是用 Python 實現機器學習的終極工具。所謂用 Python 實現機器學習指的就是這個——Scikit-Learn。所有你需要的從算法到提升的內容都能在這裏找到。
Tensorflow 和 Pytorch
針對這兩個工具我不會說太多。但如果你對深度學習感興趣的話，可以詳細了解一下，它們值得你花時間去學習。（我下次會再寫一篇關於深度學習的教程，敬請期待！）
Python 機器學習項目
當然，只是閱讀和學習是沒法讓你達成心願的。你需要實際練習。正如我博客中所說的，如果你沒有深入數據的話，那學習這些工具將毫無意義。因此，我在這裏介紹一個可以輕松找到 Python 機器學習項目的地方。
博客地址：https://thedatamage.com/
Kaggle 是一個可以直接研究數據的平臺。你可以在這個平臺中解決一些項目，並達到真的擅長機器學習的地步。你可能更感興趣另外一些東西——Kaggle 舉辦的機器學習競賽，獎金高達 100,000 美元。你可能會想著碰碰運氣，哈哈。
Kaggle：https://www.kaggle.com/
但最重要的並不是錢——你真的可以在這裏找到用 Python 實現的機器學習項目。你可以試著完成很多項目。但如果你是個新手，你可能會想參加這項競賽。
我們將在後面的教程中用到一個示例項目：
泰坦尼克：從災難中進行機器學習（https://www.kaggle.com/c/titanic）
這就是眾所周知的泰坦尼克號。這是一場發生在 1912 年的災難，這場災難波及到的乘客和機組成員共 2224 人，其中 1502 人遇難死亡。這項 Kaggle 競賽（或者說是教程）提供了災難中的真實數據。你的任務是解釋這些數據，並預測出災難中哪些人會活下來，哪些人不會。
用 Python 實現機器學習的教程
在深入了解泰坦尼克號的數據之前，我們要先安裝一些必需的工具。
首先當然是 Python。第一次安裝 Python 需要從官網上安裝。你要安裝 3.6 以上的版本，這樣才能跟最新版本的庫保持同步。
Python 官方網站：https://www.python.org/downloads/
然後可以用 Python 的 pip 安裝所有的庫。你剛剛下載的 Python 發行版會自動安裝 pip。
需要的其他工具都可以用 pip 安裝。打開終端、命令行或 PowerShell，命令如下：
pip install numpy
pip install pandas
pip install matplotlib
pip install seaborn
pip install scikit-learn
pip install jupyter
看起來一切都運行良好。但是等一下，什麽叫 jupyter？jupyter 表示 Julia、Python 和 R，因此它實際上是 Jupytr。但這個單詞看起來太奇怪了，所以他們把它變成了 Jupyter。這是一個很有名的筆記本，你可以在這個筆記本上寫交互式的 Python 代碼。
只要在終端中輸入 jupyter notebook，就可以打開如下圖所示的瀏覽器頁面：
你可以把代碼寫在綠色矩形中，而且可以交互式地編寫並評價 Python 代碼。
現在你已經安裝了所有的工具。我們開始吧！
數據探索
探索數據是第一步。你需要從 Kaggle 的 Titanic 頁面下載數據，然後將下載的數據放到你啟動 Jupyter 筆記本的文件夾中。
數據下載地址：https://www.kaggle.com/c/titanic/data
然後導入必要的庫：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings(‘ignore‘)
%matplotlib inline
載入數據：
train_df=pd.read_csv("train.csv")
train_df.head()
輸出如下：
這就是我們的數據。它有下面幾列：
- PassengerId，乘客的標識符；
- Survived，他（她）是否存活了下來；
- Pclass，艙室類別，也許 1 表示經濟艙，2 表示商務艙，3 表示頭等艙；
- Name，乘客的名字；
- Sex，性別；
- Age，年齡；
- SibSp，即兄弟姐妹（siblings）或配偶（spouses），表示在船上的兄弟姐妹以及配偶的數目；
- Parch，即父母（Parents）或子女（Children），表示在船上的父母和子女的數目；
- Ticket，船票詳情；
- Cabin，艙號，NaN 表示未知；
- Embarked，登船的起始地，S 表示南安普頓（Southampton），Q 表示皇後鎮（Queenstown），C 表示瑟堡（Cherbourg）
在探索數據時，常常會遇到數據缺失的問題。我們來看一下
def missingdata(data):
total = data.isnull().sum().sort_values(ascending = False)
percent = (data.isnull().sum()/data.isnull().count()*100).sort_values(ascending = False)
ms=pd.concat([total, percent], axis=1, keys=[‘Total‘, ‘Percent‘])
ms= ms[ms["Percent"] > 0]
f,ax =plt.subplots(figsize=(8,6))
plt.xticks(rotation=‘90‘)
fig=sns.barplot(ms.index, ms["Percent"],color="green",alpha=0.8)
plt.xlabel(‘Features‘, fontsize=15)
plt.ylabel(‘Percent of missing values‘, fontsize=15)
plt.title(‘Percent missing data by feature‘, fontsize=15)
return ms
missingdata(train_df)
我們會看到這樣的結果：
艙號、年齡以及登船地的數據都有一些缺失值，而艙號信息有大量的缺失。我們需要對它們進行處理，也就是所謂的數據清理（Data Cleaning）。
數據清理
我們 90% 的時間都花在這上面。我們要針對每一個機器學習項目進行大量的數據清理。當數據清理幹凈時，我們就可以輕松地進行下一步了，什麽都不用擔心。
數據清理中最常用的技術是填充缺失數據。你可以用眾數、平均數或中位數來填充缺失數據。選擇這些數據沒有絕對規則，你可以一一嘗試，然後看看它們的表現如何。但是根據經驗來講，分類數據只能用眾數，連續數據可以用中位數或平均數。所以我們用眾數來填充登船地數據，用中位數來填充年齡數據。
train_df[‘Embarked‘].fillna(train_df[‘Embarked‘].mode()[0], inplace = True)
train_df[‘Age‘].fillna(train_df[‘Age‘].median(), inplace = True)
接下來的重要操作是刪除數據，尤其針對大量缺失的數據。我們針對艙號數據進行以下處理：
drop_column = [‘Cabin‘]
train_df.drop(drop_column, axis=1, inplace = True)
現在檢查一下清理過的數據。
print(‘check the nan value in train data‘)
print(train_df.isnull().sum())
完美！沒有任何缺失數據了！這表示數據已經清理幹凈了。
特征工程
現在數據已經清理幹凈了。接下來我們要進行特征工程。
特征工程基本上就是根據當前可用數據發現特征或數據的技術。有幾種方法可以實現這種技術。在很多時候這都是常識。
我們以登船地數據為例——這是用 Q、S 或 C 填充的數據。Python 庫不能處理這個，因為它只能處理數字。所以你需要用所謂的獨熱向量化（One Hot Vectorization）來處理，它可以把一列變成三列。用 0 或 1 填充 Embarked_Q、Embarked_S 和 Embarked_C，來表示這個人是不是從這個港口出發的。
再以 SibSp 和 Parch 為例。這兩列沒有什麽有趣的，但是你可能會想知道某個乘客有多少家人登上了這艘船。如果家人多的話可能會增加生存幾率，因為他們可以互相幫助。從另一個角度說，單獨登船的乘客可能很難生存下去。
因此你可以創建新的一列，這一列是成員數量（family size），family size = SibSp + Parch + 1（乘客自己）。
最後一個例子是以 bin 列為例的。由於你認為很難區分具有相似值的事物，所以這種操作創建了值範圍（ranges of values），然後將多個值組合在一起。比如，5 歲和 6 歲的乘客之間有顯著的差異嗎？或者 45 和 46 歲的人之間有顯著的差異嗎？
這就是創建 bin 列的原因。也許就年齡而言，我們可以創建 4 列——幼兒（0~14 歲）、青少年（14~20 歲）、成年人（20~40 歲）以及年長的人（40 歲以上）。
編碼如下：
all_data = train_df
for dataset in all_data :
dataset[‘FamilySize‘] = dataset[‘SibSp‘] + dataset[‘Parch‘] + 1
import re
# Define function to extract titles from passenger names
def get_title(name):
title_search = re.search(‘ ([A-Za-z]+).‘, name)
# If the title exists, extract and return it.
if title_search:
return title_search.group(1)
return ""
# Create a new feature Title, containing the titles of passenger names
for dataset in all_data:
dataset[‘Title‘] = dataset[‘Name‘].apply(get_title)
# Group all non-common titles into one single grouping "Rare"
for dataset in all_data:
dataset[‘Title‘] = dataset[‘Title‘].replace([‘Lady‘, ‘Countess‘,‘Capt‘, ‘Col‘,‘Don‘,
‘Dr‘, ‘Major‘, ‘Rev‘, ‘Sir‘, ‘Jonkheer‘, ‘Dona‘], ‘Rare‘)
dataset[‘Title‘] = dataset[‘Title‘].replace(‘Mlle‘, ‘Miss‘)
dataset[‘Title‘] = dataset[‘Title‘].replace(‘Ms‘, ‘Miss‘)
dataset[‘Title‘] = dataset[‘Title‘].replace(‘Mme‘, ‘Mrs‘)
for dataset in all_data:
dataset[‘Age_bin‘] = pd.cut(dataset[‘Age‘], bins=[0,14,20,40,120], labels=[‘Children‘,‘Teenage‘,‘Adult‘,‘Elder‘])
for dataset in all_data:
dataset[‘Fare_bin‘] = pd.cut(dataset[‘Fare‘], bins=[0,7.91,14.45,31,120], labels [‘Low_fare‘,‘median_fare‘, ‘Average_fare‘,‘high_fare‘])
traindf=train_df
for dataset in traindf:
drop_column = [‘Age‘,‘Fare‘,‘Name‘,‘Ticket‘]
dataset.drop(drop_column, axis=1, inplace = True)
drop_column = [‘PassengerId‘]
traindf.drop(drop_column, axis=1, inplace = True)
traindf = pd.get_dummies(traindf, columns = ["Sex","Title","Age_bin","Embarked","Fare_bin"],
prefix=["Sex","Title","Age_type","Em_type","Fare_type"])
現在，你已經創建完成所有的特征了。接著我們看看這些特征之間的相關性：
sns.heatmap(traindf.corr(),annot=True,cmap=‘RdYlGn‘,linewidths=0.2) #data.corr()-->correlation matrix
fig=plt.gcf()
fig.set_size_inches(20,12)
plt.show()
相關值接近 1 意味著高度正相關，-1 意味著高度負相關。例如，性別為男和性別為女之間就呈負相關，因為必須將乘客識別為一種性別（或另一種）。此外，你還可以看到，除了用特征工程創建的內容外，沒有哪兩種是高度相關的。這證明我們做得對。
如果某些因素之間高度相關會怎麽樣？我們可以刪除其中的一個，新列中的信息並不能給系統提供任何新信息，因為這兩者是完全一樣的。
用 Python 實現機器學習
現在我們已經到達本教程的高潮——機器學習建模。
from sklearn.model_selection import train_test_split #for split the data
from sklearn.metrics import accuracy_score #for accuracy_score
from sklearn.model_selection import KFold #for K-fold cross validation
from sklearn.model_selection import cross_val_score #score evaluation
from sklearn.model_selection import cross_val_predict #prediction
from sklearn.metrics import confusion_matrix #for confusion matrix
all_features = traindf.drop("Survived",axis=1)
Targeted_feature = traindf["Survived"]
X_train,X_test,y_train,y_test = train_test_split(all_features,Targeted_feature,test_size=0.3,random_state=42)
X_train.shape,X_test.shape,y_train.shape,y_test.shape
Scikit-Learn 庫中有多種算法供你選擇：
- 邏輯回歸
- 隨機森林
- 支持向量機
- K 最近鄰
- 樸素貝葉斯
- 決策樹
- AdaBoost
- LDA
- 梯度增強
你可能感到不知所措，想弄清什麽是什麽。別擔心，只要將它當做「黑箱」對待就好——選一個表現最好的。（我之後會寫一篇完整的文章討論如何選擇這些算法。）
以我最喜歡的隨機森林算法為例：
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(criterion=‘gini‘, n_estimators=700,
min_samples_split=10,min_samples_leaf=1,
max_features=‘auto‘,oob_score=True,
random_state=1,n_jobs=-1)
model.fit(X_train,y_train)
prediction_rm=model.predict(X_test)
print(‘--------------The Accuracy of the model----------------------------‘)
print(‘The accuracy of the Random Forest Classifier is‘, round(accuracy_score(prediction_rm,y_test)*100,2))
kfold = KFold(n_splits=10, random_state=22) # k=10, split the data into 10 equal parts
result_rm=cross_val_score(model,all_features,Targeted_feature,cv=10,scoring=‘accuracy‘)
print(‘The cross validated score for Random Forest Classifier is:‘,round(result_rm.mean()*100,2))
y_pred = cross_val_predict(model,all_features,Targeted_feature,cv=10)
sns.heatmap(confusion_matrix(Targeted_feature,y_pred),annot=True,fmt=‘3.0f‘,cmap="summer")
plt.title(‘Confusion_matrix‘, y=1.05, size=15)
哇哦！準確率高達 83%。就第一次嘗試而言，這個結果已經很好了。
交叉驗證分數的意思是 K 折驗證方法。如果 K=10，就是說要把數據分成 10 個變量，計算所有分數的均值，並將它們作為最終分數。
微調
現在你已經完成了用 Python 實現機器學習的步驟。但再加一個步驟可以讓你得到更好的結果——微調。微調的意思是為機器學習算法找到最佳參數。以上面的隨機森林代碼為例：
model = RandomForestClassifier(criterion=‘gini‘, n_estimators=700,
min_samples_split=10,min_samples_leaf=1,
max_features=‘auto‘,oob_score=True,
random_state=1,n_jobs=-1)
你需要設置許多參數。順便說一下，上面的都是默認值。你可以根據需要改變參數。但當然了，這需要花費很多時間。
別擔心——有一種叫做網格搜索（Grid Search）的工具，它可以自動找出最佳參數。聽起來還不錯，對吧？
# Random Forest Classifier Parameters tunning
model = RandomForestClassifier()
n_estim=range(100,1000,100)
## Search grid for optimal parameters
param_grid = {"n_estimators" :n_estim}
model_rf = GridSearchCV(model,param_grid = param_grid, cv=5, scoring="accuracy", n_jobs= 4, verbose = 1)
model_rf.fit(train_X,train_Y)
# Best score
print(model_rf.best_score_)
#best estimator
model_rf.best_estimator_
好了，你可以自己嘗試一下，並從中享受機器學習的樂趣。
總結
怎麽樣？機器學習看起來似乎並不難吧？用 Python 實現機器學習很簡單。一切都已經為你準備好了。你可以做一些神奇的事，並給人們帶來快樂。
僅 10分鐘：開啟你的機器學習之路