火炉炼AI】机器学习012-用随机森林构建汽车评估模型及模型的优化提升方法
(本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
在前面的文章中已经介绍了用随机森林方法构建共享单车需求预测模型，在代码实现层面上来讲，构建随机森林模型非常简单。
下面我们同样使用随机森林算法构建汽车评估模型，用于根据汽车的六个基本特性来评估汽车的质量。
1. 准备数据集
本项目所使用的数据集来源于加利福尼亚大学欧文分校（UCI）大学的公开数据集：https://archive.ics.uci.edu/ml/datasets/Car+Evaluation。这是专门用于解决多分类问题的一个小型数据集，该数据集的基本信息为：
image
即整个数据集专门用于多分类模型，没有缺失值，一共有1728个样本，每个样本含有6个关于汽车的基本属性，每个样本对应于一个标记，表示汽车质量的好坏，如下所示：
image
在对数据集有了基本了解的基础上，可以用代码来具体分析，此处我用pandas来提取数据集中的原始数据，代码如下：
# 准备数据集dataset_path='D:\PyProjects\DataSet\CarEvaluation/car.data'df=pd.read_csv(dataset_path,header=None) print(df.info()) # 加载没有问题# 原数据集包含有1728个样本，每一个样本含有6个features, 一个labelprint(df.head()) raw_set=df.values
-------------------------------------输---------出--------------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1728 entries, 0 to 1727
Data columns (total 7 columns):
0 1728 non-null object
1 1728 non-null object
2 1728 non-null object
3 1728 non-null object
4 1728 non-null object
5 1728 non-null object
6 1728 non-null object
dtypes: object(7)
memory usage: 94.6+ KB
None
0 1 2 3 4 5 6
0 vhigh vhigh 2 2 small low unacc
1 vhigh vhigh 2 2 small med unacc
2 vhigh vhigh 2 2 small high unacc
3 vhigh vhigh 2 2 med low unacc
4 vhigh vhigh 2 2 med med unacc
--------------------------------------------完-------------------------------------
通过df.info()可以看出该数据集的7列都是object类型，故而难以直接应用到机器学习领域，需要做进一步的类型转换处理，如下代码：
# 数据集中的特征向量包括有多个String，故而type是object，需要转换为数值from sklearn import preprocessing label_encoder=[] # 放置每一列的encoderencoded_set = np.empty(raw_set.shape)for i,_ in enumerate(raw_set[0]):# encoder=preprocessing.LabelEncoder()# encoder.fit(raw_set[:,i]) # 用某一列来fit这个encoder# encoded_set[:,i]=encoder.transform(raw_set[:,i]) # 用同样的这一列来transform# label_encoder.append(encoder) # 上面fit和tranform都是在同一个向量上操作，故而可以整合 encoder=preprocessing.LabelEncoder() encoded_set[:,i]=encoder.fit_transform(raw_set[:,i]) print(encoder.classes_) label_encoder.append(encoder) dataset_X = encoded_set[:, :-1].astype(int) dataset_y = encoded_set[:, -1].astype(int)# print(dataset_X.shape) # (1728, 6)# print(dataset_y.shape) #(1728,)print(dataset_X[:5]) # 可以看出每个特征向量都将string转变为intprint(dataset_y[:5]) # 检查没有问题# 将数据集拆分为train set 和test setfrom sklearn.model_selection import train_test_split train_X, test_X, train_y, test_y=train_test_split(dataset_X,dataset_y, test_size=0.3,random_state=42)# print(train_X.shape) # (1209, 6)# print(train_y.shape) # (1209,)# print(test_X.shape) # (519, 6)
-------------------------------------输---------出--------------------------------
['high' 'low' 'med' 'vhigh']
['high' 'low' 'med' 'vhigh']
['2' '3' '4' '5more']
['2' '4' 'more']
['big' 'med' 'small']
['high' 'low' 'med']
['acc' 'good' 'unacc' 'vgood']
[[3 3 0 0 2 1]
[3 3 0 0 2 2]
[3 3 0 0 2 0]
[3 3 0 0 1 1]
[3 3 0 0 1 2]]
[2 2 2 2 2]
--------------------------------------------完-------------------------------------
可以看出转换之后的数据集都是int型，故而可以输入到模型中进行训练和预测。同时，为了训练和测试的方便，将整个数据集划分为训练集（占比70%，即1209个样本）和测试集（占比30%，即519个样本）。
########################小**********结###############################
1，由于本次数据集的属性和标记都是string类型，故而需要先转变为数值型。转变是通过LabelEncoder()函数完成的。
2，这里使用的转变器（即LabelEncoder()实例）需要保存，便于以后对新样本属性进行转换，或者对预测出来的标记再反向转变成string，此处将其保存到label_encoder这个list中。
#################################################################
2. 构建随机森林分类模型和模型评估
2.1 随机森林分类模型的构建
随机森林分类模型的构建非常简单，可以参考【火炉炼AI】机器学习007-用随机森林构建共享单车需求预测模型 。如下代码先构建一个随机森林分类器，然后用训练集来训练该分类器，最后用测试集来检查模型的好坏，打印出模型评价指标。关于模型评价指标的具体含义和计算方法，可以参考【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值 。
# 建立随机森林分类器from sklearn.ensemble import RandomForestClassifier
rf_classifier=RandomForestClassifier(n_estimators=200,max_depth=8,random_state=37)
rf_classifier.fit(train_X,train_y) # 用训练集进行训练# 用测试集评估模型的准确率，精确率，召回率，F1值：def print_model_evaluations(classifier,test_X, test_y,cv=5):
'''print evaluation indicators of classifier on test_set.
those indicators include: accuracy, precision, recall F1-measure'''
from sklearn.cross_validation import cross_val_score
accuracy=cross_val_score(classifier,test_X,test_y,
scoring='accuracy',cv=cv)
print('准确率：{:.2f}%'.format(accuracy.mean()*100))
precision=cross_val_score(classifier,test_X,test_y,
scoring='precision_weighted',cv=cv)
print('精确度：{:.2f}%'.format(precision.mean()*100))
recall=cross_val_score(classifier,test_X,test_y,
scoring='recall_weighted',cv=cv)
print('召回率：{:.2f}%'.format(recall.mean()*100))
f1=cross_val_score(classifier,test_X,test_y,
scoring='f1_weighted',cv=cv)
print('F1 值：{:.2f}%'.format(f1.mean()*100))
print_model_evaluations(rf_classifier,test_X,test_y)-------------------------------------输---------出--------------------------------
准确率：89.19%
精确度：88.49%
召回率：89.19%
F1 值：88.32%
--------------------------------------------完-------------------------------------
2.2 随机森林分类模型的全面评估
更进一步的，为了更全面的评估该模型，可以将模型在测试集上的混淆矩阵和分类报告打印出来，关于混淆矩阵和分类报告，可以参考【火炉炼AI】机器学习011-分类模型的评估：准确率，精确率，召回率，F1值 。如下所示：
# 打印模型的混淆矩阵和各个类别的评价指标# 使用sklearn 模块计算混淆矩阵from sklearn.metrics import confusion_matrix
test_y_pred=rf_classifier.predict(test_X)
confusion_mat = confusion_matrix(test_y, test_y_pred)
print(confusion_mat) #看看混淆矩阵长啥样print('*'*50)from sklearn.metrics import classification_report
print(classification_report(test_y, test_y_pred))-------------------------------------输---------出--------------------------------
[[108 2 7 1]
[ 9 8 0 2]
[ 3 0 355 0]
[ 3 0 0 21]]
precision recall f1-score support
0 0.88 0.92 0.90 118
1 0.80 0.42 0.55 19
2 0.98 0.99 0.99 358
3 0.88 0.88 0.88 24
avg / total 0.95 0.95 0.94 519
--------------------------------------------完-------------------------------------
从上面的分类报告中可以看出，这个模型在类别2上表现最好，精确率和召回率均在98%以上，但在类别1，虽然精确率有80%，但召回率却低至42%，所得到的F1值也只有55%，表明这个模型还有进一步优化的空间（出现这种结果也有可能是test set中类别2的样本数最多，而类别1的样本数最少导致的）。
2.3 用该分类模型预测新样本数据
一个模型经过训练和优化之后，一旦达到了我们的分类要求，就可以用来预测新样本数据，如下我们自己构建了一个新的汽车样本，这个样本汽车的购买价格和维护价格都非常高，有2个车门，载人数2人，后备箱比较小，安全性比较低（很有可能是那种2座的豪华车吧。。。）。看看这个分类模型对这种车的质量评估怎么样。
# 看起来该随机森林分类器的分类效果还是很不错的，# 那么可以用这个比较理想的模型来预测新数据，new_sample=['vhigh','vhigh','2','2','small','low']# 在把这个样本输入模型之前，需要将样本中的string转变为int# 采用和上面train set相同的encoder来编码encoded_sample=np.empty(np.array(new_sample).shape)for i,item in enumerate(new_sample):
encoded_sample[i]=int(label_encoder[i].transform([item]))
# 这儿的item一定要加【】,否则报错。而且要转变为int类型print(encoded_sample.reshape(1,-1)) # 和上面打印的print(encoder.classes_)对应一致# 用成熟分类模型对该新样本进行分类，得到分类结果：output=rf_classifier.predict(encoded_sample.reshape(1,-1))print('output: {}, class: {}'.format(output,
label_encoder[-1].inverse_transform(output)[0]))-------------------------------------输---------出--------------------------------
[[3. 3. 0. 0. 2. 1.]]
output: [2], class: unacc
--------------------------------------------完-------------------------------------
在将新样本数据输入模型之前，需要对样本数据进行转换（即对特征向量进行编码，将人可以阅读的字符串转变为机器可以阅读的数值），注意此时的转换要用到和前面训练集相同的转换方法，即使用前面放置到label_encoder这个list中的encoder来转换，可以将转换之后的数值打印出来进行验证。分类模型根据该样本的六个属性，判断出该汽车的质量为2，此时我们需要将2再反向转换为字符串（即反编码，或解码，即将机器可以阅读的数值转变为人可以阅读的字符串），经过解码后，发现该汽车的质量为“unacc”，即unacceptable。
可以想象一下，一辆价格老贵老贵，维护起来也老贵老贵，后备箱又小，只能坐两个人，而且安全性还非常低的汽车，你能接收吗？？？屌丝没钱不能接受，土豪虽然可以用这种车来泡妞，但是安全性太低，土豪也接收不了吧。。。
########################小**********结###############################
1，随机森林分类模型的构建非常简单，直接调用sklearn模块中的RandomForestClassifier 类即可。
2，对分类模型的评估可以直接打印其整体的准确率，精确率，召回率，F1值，也可以打印该模型在各个不同类别上的评价指标，打印其混淆矩阵和分类报告。
#################################################################
3. 模型的优化提升方法
上面的分类模型貌似在测试集上的表现还不错，但是还有提升空间，主要有以下两个方面的优化提升。
3.1 模型超参数的优化—验证曲线
前面在定义随机森林分类器时，我们随机地定义该分类器的参数为：n_estimators=200,max_depth=8，但是这些随机定义的参数真的是最优参数组合吗？怎么获取这些参数的最优值了？这就是验证曲线的作用了。下面首先优化n_estimators参数，看看取不同值时，该模型的准确率是否有明确的改善。
如下代码，使用sklearn中的validation_curve可以验证不同参数取值时模型的准确率。
# 提升模型的分类效果：优化模型的某个参数，# 第一步：优化n_estimators参数from sklearn.model_selection import validation_curve
optimize_classifier1=RandomForestClassifier(max_depth=4,random_state=37)
parameter_grid=np.linspace(20,400,20).astype(int)
train_scores,valid_scores=validation_curve(optimize_classifier1,train_X,train_y, 'n_estimators',parameter_grid,cv=5)
# cv=4，会输出4列结果，cv=5，会输出5列结果，# 故而输出的结果train_scores 的shape为（parameter_grid.shape[0],cv）# 打印优化结果print('n_estimators optimization results-------->>>')
print('train scores: \n ',train_scores)
print('-'*80)
print('valid scores: \n ',valid_scores)-------------------------------------输---------出--------------------------------
n_estimators optimization results-------->>>
train scores:
[[0.78549223 0.80144778 0.80785124 0.79338843 0.80165289]
[0.8 0.80972079 0.81095041 0.81921488 0.83057851]
[0.8134715 0.81075491 0.81095041 0.81404959 0.81714876]
......
valid scores:
[[0.77459016 0.79338843 0.80082988 0.76763485 0.80497925]
[0.79918033 0.79338843 0.80497925 0.80082988 0.8340249 ]
[0.81967213 0.80578512 0.80082988 0.78008299 0.82572614]
[0.79918033 0.80991736 0.7966805 0.78838174 0.82572614]
......
--------------------------------------------完-------------------------------------
得到的trains_scores和valid_scores矩阵很大，此处只显示一部分，可以在本文末尾我的github中找到原始代码和结果。虽然此处得到了验证曲线的结果，但是难以直接观察结果的好坏，故而我自己定义一个绘图函数，将验证曲线的结果绘制成图，代码如下：
# 定义一个绘图函数，绘制train scores 和valid scoresdef plot_valid_curve(grid_arr,train_scores,valid_scores, title=None,x_label=None,y_label=None): '''plot train_scores and valid_scores into a line graph''' assert train_scores.shape==valid_scores.shape, \ 'expect train_scores and valid_scores have same shape' assert grid_arr.shape[0]==train_scores.shape[0], \ 'expect grid_arr has the same first dim with train_scores' plt.figure() plt.plot(grid_arr, 100*np.average(train_scores, axis=1), color='blue',marker='v',label='train_scores') plt.plot(grid_arr, 100*np.average(valid_scores, axis=1), color='red',marker='s',label='valid_scores') plt.title(title) if title is not None else None plt.xlabel(x_label) if x_label is not None else None plt.ylabel(y_label) if y_label is not None else None plt.legend() plt.show() plot_valid_curve(parameter_grid,train_scores,valid_scores, title='n_estimators optimization graph', x_label='Num of estimators',y_label='Accuracy%')
优化n_estimators的结果图
上图中可以看出，在estimators取值为50附近时，能够得到最高的准确率，故而我们可以进一步优化estimators在50附近的取值。如下代码：
# 第二步：对n_estimators做进一步细致优化# 图中可以看出，n_estimators在100以内所得到的准确率最高，故而需要进一步做更精细的优化parameter_grid2=np.linspace(20,120,20).astype(int) train_scores,valid_scores=validation_curve(optimize_classifier1,train_X,train_y, 'n_estimators',parameter_grid2,cv=5) plot_valid_curve(parameter_grid2,train_scores,valid_scores, title='2nd n_estimators optimization graph', x_label='Num of estimators',y_label='Accuracy%')# 从图中可以看出准确率最高的点是第6,7，12附近，对应的estimators是46,51,77，# 故而后面暂定为50
精细化优化n_estimators的结果图
从上图中可以看出，准确率的最高点对应的estimators大约为46,51,77，故而我们确定最优的estimators参数的取值为50.
对于max_depth，可以采用同样的验证曲线来优化，得到最优值，如下代码和图：
# 第三步：对max_depth进行优化：optimize_classifier2=RandomForestClassifier(n_estimators=50,random_state=37) parameter_grid3=np.linspace(2,13,11).astype(int)print(parameter_grid3) # [ 2 3 4 5 6 7 8 9 10 11 13]train_scores3,valid_scores3=validation_curve(optimize_classifier2,train_X,train_y, 'max_depth',parameter_grid3,cv=5) plot_valid_curve(parameter_grid3,train_scores3,valid_scores3, title='max_depth optimization graph', x_label='Num of max_depth',y_label='Accuracy%')# 从图中可以看出，取max_depth=10，11,13时准确率一样，故而取max_depth=10
对max_depth优化后的结果
从上图中可以看出，准确率的最高点对应的max_depth大约为10,11,13，这几个点处的结果几乎一样，故而我们确定最优的max_depth参数的取值为10.
3.2 训练集大小对模型的影响—学习曲线
前面我们通过验证曲线优化了模型中各种参数，得到了参数的最佳取值，但有的时候，训练集的大小也会对模型的效果有影响，此时我们可以用学习曲线来判断最佳的训练集大小。代码如下：
# 前面都是优化随机森林分类器的内置参数，但是没有考虑训练集的大小对模型效果的影响# 前面都是用traiin_X来优化模型，train_X含有1209个样本，# 下面考察一下训练集样本大小对模型效果的影响--即学习曲线from sklearn.model_selection import learning_curve# optimize_classifier3=RandomForestClassifier(random_state=37)optimize_classifier3=RandomForestClassifier(n_estimators=50, max_depth=10, random_state=37) parameter_grid4=np.array([0.1,0.2,0.3,0.4,0.5,0.6,0.7,.8,.9,1.]) # dataset最多有1728个样本train_sizes,train_scores4,valid_scores4=learning_curve(optimize_classifier3, dataset_X,dataset_y, train_sizes=parameter_grid4,cv=5) # print(train_sizes) # [ 138 276 414 552 691 829 967 1105 1243 1382]# 最大也只能到dataset_X样本数的80%，即1728*0.8=1382plot_valid_curve(parameter_grid4,train_scores4,valid_scores4, title='train_size optimization graph', x_label='Num of train_size',y_label='Accuracy%')# 可以看出，在train_size=1382时得到的准确率最大，约为80%左右。
训练集大小对准确率的影响
可以从图中看出，训练集大小貌似越大越好，因为训练集越大，模型训练的越充分，得到的valid_scores与train_scores的差距越小，这里的差距实际上就是“过拟合”现象。而此处通过提高训练集的大小，可以减小过拟合现象。
还有一点，learning_curve里面貌似把最大取值固定为整个数据集的80%，这个能修改吗？
3.3 用最优参数重新建立模型，判断模型的质量
前面我们花了好长时间来优化模型，得到了最佳超参数和最佳训练集大小，那么，如果用这些参数来训练模型，得到模型的质量会怎么样了？非常好还是非常差？如下直接上代码。
# 用所有最优参数来重新构建模型，并判断此模型的好坏train_X, test_X, train_y, test_y=train_test_split(dataset_X,dataset_y,
test_size=0.2,random_state=42)# 最佳训练集大小为80%rf_classifier=RandomForestClassifier(n_estimators=50,max_depth=10,random_state=37)
rf_classifier.fit(train_X,train_y) # 用训练集进行训练print_model_evaluations(rf_classifier,test_X,test_y)
test_y_pred=rf_classifier.predict(test_X)
confusion_mat = confusion_matrix(test_y, test_y_pred)print('confusion_mat: ------->>>>>')print(confusion_mat) #看看混淆矩阵长啥样print('*'*50)print('classification report: -------->>>>>>')print(classification_report(test_y, test_y_pred))-------------------------------------输---------出--------------------------------
准确率：89.32%
精确度：88.49%
召回率：89.32%
F1 值：88.45%
confusion_mat: ------->>>>>
[[ 71 7 5 0]
[ 1 9 0 1]
[ 0 0 235 0]
[ 1 0 0 16]]
classification report: -------->>>>>>
precision recall f1-score support
0 0.97 0.86 0.91 83
1 0.56 0.82 0.67 11
2 0.98 1.00 0.99 235
3 0.94 0.94 0.94 17
avg / total 0.96 0.96 0.96 346
--------------------------------------------完-------------------------------------
貌似比第一次定义的模型在性能上提高了一点点。。。。
注：本部分代码已经全部上传到（我的github）上，欢迎下载。
参考资料:
1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译
作者：炼丹老顽童
链接：https://www.jianshu.com/p/4bacafb72e38