机器学习初步练习题

1. 写一个函数，能将一个多类别变量转为多个二元虚拟变量，不能使用 sklearn 库。

将一个多类别变量转为多个二元虚拟变量，是数据预处理时常用的一种方法。举个例子：

以性别 Sex 为例，原本一个变量，因为其取值可以是['male','female']，而将其平展开为 Sex_male 和 Sex_female 两个变量。

• 原本 Sex 取值为 male 的，在转换后的新变量 Sex_male 下取值为 1，在新变量 Sex_female 下取值为 0
• 原本 Sex 取值为 female 的，在转换后的新变量 Sex_male 下取值为 0，在新变量 Sex_female 下取值为 1

因为有些数据挖掘算法，特别是某些分类算法，要求属性是分类属性形式，发现关联模式的算法还要求数据是二元属性形式，这样就需要将连续属性转换成分类属性，即离散化，并且连续和离散属性可能都需要转换成一个或多个二元属性（二元化）。如果一个分类属性类别过多，且某些值出现不频繁，则可根据挖掘任务合并某些值以减少类别的数目。

在 Python 编程中，一般是将 DataFrame 中的一列变为多列，一列即一个 Series，转换成一个包含多 Series 即多列的 DataFrame，然后再将生成的 DataFrame 附加到原 DataFrame 上。

pandas.get_dummies 提供了这种功能。下面以性别 Sex 为例做个演示。

import pandas as pd

import numpy as np

data = {

    'Name': ['Richard Dawkins', 'Eileen Chang', 'Steven Pinker', 'Madonna Ciccone', 'Herbert A. Simon'],

    'Year': [1941, 1920, 1954, 1958, 1916 ],

    'Sex': ['male', 'female', 'male', 'female', 'male']

}

famous_df = pd.DataFrame(data)

famous_df

NameSexYear
0Richard Dawkinsmale1941
1Eileen Changfemale1920
2Steven Pinkermale1954
3Madonna Cicconefemale1958
4Herbert A. Simonmale1916

print type(famous_df['Sex']) # 输入 Series

dummies_Sex = pd.get_dummies(famous_df['Sex'], prefix= 'Sex') # 对 Sex 变量二元化，prefix 为新变量的前缀，默认是原列名

print type(dummies_Sex) # 输出 DataFrame

print dummies_Sex.head()

<class 'pandas.core.series.Series'>

<class 'pandas.core.frame.DataFrame'>

   Sex_female  Sex_male

0         0.0       1.0

1         1.0       0.0

2         0.0       1.0

3         1.0       0.0

4         0.0       1.0

famous_df = pd.concat([famous_df, dummies_Sex], axis=1) # 使用 concat 把生成的 DataFrame 附加到原 DataFrame 上

print famous_df

               Name     Sex  Year  Sex_female  Sex_male

0   Richard Dawkins    male  1941         0.0       1.0

1      Eileen Chang  female  1920         1.0       0.0

2     Steven Pinker    male  1954         0.0       1.0

3   Madonna Ciccone  female  1958         1.0       0.0

4  Herbert A. Simon    male  1916         0.0       1.0

Sex 变量变成了两个二元变量 Sex_female 和 Sex_male。

这里我们写个自定义函数来实现跟 pandas.get_dummies 一样的功能。

函数名：OneVarToMany

参数：

data : Series，一个多类别变量

prefix : string, 新变量名前缀，默认为 None

prefix_sep : string, 如果有前缀，前缀和变量名的分隔符，默认为 '_'

many_na : bool, 是否为 NaN 值添加一列，如果为 False 则忽略 NaNs，默认为 False

返回值：

dfmany : DataFrame

def OneVarToMany(data, prefix=None, prefix_sep='_', dummy_na=False): # 二元化函数

    dfmany = pd.DataFrame() # 先定义个空的 DataFrame

    n = data.count() # 取得样本个数

    colNames = data.unique() # 取分类变量的值作为新变量名

    if(dummy_na == False):

        colNames = colNames[colNames!='nan']

    

    for i in range(colNames.shape[0]): # 遍历每个变量名，创建相应的 Series 并附加到 dfmany

        colName = colNames[i]

        seriesobj = pd.Series(np.zeros(n, dtype = 'int8')) # 先生成长度为 n 全为 0 的向量

        seriesobj.ix[data[data == colName].index] = 1 # 修改相应的值为 1

        if(prefix != None):

            colName = prefix + prefix_sep + colName

        seriesobj.name = colName # 修改列名

        dfmany = pd.concat([dfmany, seriesobj], axis=1) # 将新生成的 Series 附加到 DataFrame 上

    return dfmany

在数据集上测试下该函数。

sdata = {

    'Name': ['Richard Dawkins', 'Eileen Chang', 'Steven Pinker', 'Madonna Ciccone', 'Herbert A. Simon'],

    'Year': [1941, 1920, 1954, 1958, 1916 ],

    'Sex': ['male', 'female', 'male', 'female', 'male']

}

df = pd.DataFrame(sdata)

dummies_Sex = OneVarToMany(df['Sex'], prefix= 'Sex')

df = pd.concat([df, dummies_Sex], axis=1)

print df

               Name     Sex  Year  Sex_male  Sex_female

0   Richard Dawkins    male  1941         1           0

1      Eileen Chang  female  1920         0           1

2     Steven Pinker    male  1954         1           0

3   Madonna Ciccone  female  1958         0           1

4  Herbert A. Simon    male  1916         1           0

结果跟 pandas.get_dummies 一样。

2. 写一个函数，实现交叉验证的功能，不能使用sklearn库。

交叉验证，就是把数据分为两部分，一部分用于训练，一部分用于验证。

sklearn.cross_validation.train_test_split 即实现这个功能。举个例子：

import numpy as np

from sklearn.cross_validation import train_test_split



X, y = np.arange(10).reshape((5, 2)), range(5) # 生成 X 和 y

print X

print y

[[0 1]

 [2 3]

 [4 5]

 [6 7]

 [8 9]]

[0, 1, 2, 3, 4]

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.75, random_state=42) # test_size 指定测试集的比例

print X_train

print X_test

print y_train

print y_test

[[4 5]

 [0 1]

 [6 7]]

[[2 3]

 [8 9]]

[2, 0, 3]

[1, 4]

下面自定义函数实现类似功能，相当于 sklearn.cross_validation.train_test_split 的简化版，输入数据类型限定为 numpy.array。

函数名：data_split

参数：

x_arrays : numpy.array，要分离的自变量数据

y_arrays : numpy.array，要分离的因变量数据

train_size : float, int(默认为 float)，如果是 float，应在 0 到 1 之间，则按比例提取数据到 train 中，如果是 int，则表示训练样本个数

random_state : int 随机种子

返回值：

splitting : list, length = 2 * len(arrays)，返回分离后的训练集和测试集

import random

def data_split(x_arrays, y_arrays, train_size = 0.75, random_state= 12345):

    n = x_arrays.shape[0] # 取得全部样本个数

    sample_count = 0

    

    # 先排除一些输入错误的情况

    if(y_arrays.shape[0] != n): # 自变量和因变量矩阵的样本个数不等

        raise Exception("The length of independent variable and dependent variable are not equal.")

        

    if(type(train_size) == int): # 计算训练集的样本个数

        if(train_size > n):

            raise Exception("The train_size cannot be bigger than the length of the whole datasets.")

        sample_count = train_size

    elif(type(train_size) == float): # 如果 train_size 是浮点数，应该在 0 和 1 之间，表示比例

        if(train_size<0 or train_size>1):

            raise Exception("The train_size must be between 0 and 1.")

        sample_count = int(train_size*n)

    else:

        raise Exception("The train_size must be int or float.")

    

    # 开始干正事儿

    random.seed(random_state) # 设随机种子

    listrange = range(0, n)

    train_index = random.sample(listrange, sample_count) # 从 n 个样本中随机挑出 sample_count 个作为训练集

    test_index = filter(lambda x : x not in train_index, listrange) 

    X_train = x_arrays[train_index,:] # 训练集自变量

    X_test = x_arrays[test_index,:] # 测试集自变量

    y_train = y_arrays[train_index] # 训练集因变量

    y_test = y_arrays[test_index] # 测试集因变量

    

    return X_train, X_test, y_train, y_test

测试一下。

X, y = np.arange(10).reshape((5, 2)), np.arange(5) # 在前面 train_test_split 的例子中 y 是 list，这里方便起见，y 为 numpy.array

X_train, X_test, y_train, y_test = data_split(X, y, train_size=0.75, random_state=42)

print X_train

print X_test

print y_train

print y_test

[[6 7]

 [0 1]

 [8 9]]

[[2 3]

 [4 5]]

[3 0 4]

[1 2]

结果跟 sklearn.cross_validation.train_test_split 一样。

3. 使用 sklearn 库中的其他分类方法，来预测 titanic 的生存情况。

1912 年 4 月 15 日，载着 1316 号乘客和 891 名船员的豪华巨轮“泰坦尼克号”与冰山相撞而沉没，这场海难被认为是 20 世纪人间十大灾难之一。船上共 2208 名船员和乘客，但船上的救生艇仅能供 1178 人使用，最终只有 705 人生还。

关于这场灾难详情，有不少记录可供查阅。以前看到一条有趣的微博，不知道是不是真的：

1898年，一个美国作家写了一篇小说，讲一艘名为 Titan 的豪华游轮，从英国出发做穿越大西洋的处女航，结果撞冰山沉没了。由于救生艇太少，死了很多人。14 年以后，Titanic的悲剧发生了。这个作家叫 Morgan Robertson，小说名为 ＂The Wreck of the Titan or， Futility＂。小说里的 Titan 和现实中的 Titanic 在长度、吨位，客容量、推行器数量，救生艇数量等方面都惊人的相似。这个跟香港风水大师预言日本地震海啸的故事有一拼。——子夏曰

这个数据集是 1309 名乘客的资料。

数据包含的字段如下：

• PassengerID
• Survived(存活与否)
• Pclass（客舱等级）
• Name（姓名）
• Sex（性别）
• Age（年龄）
• SibSp（亲戚和配偶在船数量）
• Parch（父母孩子的在船数量）
• Ticket（票编号）
• Fare（价格）
• Cabin（客舱位置）
• Embarked（上船的港口编号）

数据读取

passenger_train = pd.read_csv('./Data/Titanic/train.csv', header=0)

passenger_test = pd.read_csv('./Data/Titanic/test.csv', header=0)

passenger_train.head()

PassengerIdSurvivedPclassNameSexAgeSibSpParchTicketFareCabinEmbarked
0103Braund, Mr. Owen Harrismale22.010A/5 211717.2500NaNS
1211Cumings, Mrs. John Bradley (Florence Briggs Th...female38.010PC 1759971.2833C85C
2313Heikkinen, Miss. Lainafemale26.000STON/O2. 31012827.9250NaNS
3411Futrelle, Mrs. Jacques Heath (Lily May Peel)female35.01011380353.1000C123S
4503Allen, Mr. William Henrymale35.0003734508.0500NaNS

数据探索

print passenger_train.PassengerId.count() # 看下训练集的人数

print passenger_test.PassengerId.count() # 测试集的人数

891

418

print passenger_train.Survived.value_counts()

0    549

1    342

Name: Survived, dtype: int64

训练集中一共 891 名乘客，存活的是 342 人，死亡 549 人。

先看下是不是小孩的生存率要高些。这里小孩定义为 14 岁以下。

passenger_train.info() # 查看信息

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 891 entries, 0 to 890

Data columns (total 12 columns):

PassengerId    891 non-null int64

Survived       891 non-null int64

Pclass         891 non-null int64

Name           891 non-null object

Sex            891 non-null object

Age            714 non-null float64

SibSp          891 non-null int64

Parch          891 non-null int64

Ticket         891 non-null object

Fare           891 non-null float64

Cabin          204 non-null object

Embarked       889 non-null object

dtypes: float64(2), int64(5), object(5)

memory usage: 83.6+ KB

数据基本完整，只有 Age、Cabin 和 Embarked 三个字段有数据缺失。先对年龄字段做个补全。

passenger_train.ix[passenger_train['Age'].isnull(),'Age'] = passenger_train['Age'].median() # 年龄取个中间值

%matplotlib inline

import matplotlib.pyplot as plt;

fig, axes = plt.subplots(1, 3, figsize=(12, 3))

passenger_train.Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0]); # 这里加上 sort_index() 是为了统一 index 中的次序

passenger_train[passenger_train.Age<14].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1]); # 小孩的死亡和生存数量对比

passenger_train[passenger_train.Age>=14].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2]); # 大人的死亡生存数量对比

print passenger_train[passenger_train.Age<14].PassengerId.count() # 小孩数量

print passenger_train[passenger_train.Age>=14].PassengerId.count() # 大人数量

71

643

由上图可见，在整体人数生存人数比死亡人数低的情况下，小孩的生存数量比死亡数量高，大人必定死亡得更多。确实是充分照顾了小孩儿的。

再来看下性别对生存存亡的影响。

fig, axes = plt.subplots(1, 3, figsize=(12, 3))

passenger_train.Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='All');

passenger_train[passenger_train.Sex=='female'].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='female');

passenger_train[passenger_train.Sex=='male'].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2], title='male');

print passenger_train[passenger_train.Sex=='female'].PassengerId.count() # 女性数量

print passenger_train[passenger_train.Sex=='male'].PassengerId.count() # 男性数量

314

577

上面的结果让人动容，女性的生存人数远远大于死亡人数，男性的死亡人数远远大于生存人数。从上面的柱状图对比，可以想象男性在这场灾难中展现出的让人敬重的绅士风度。

再来看下客舱等级对存亡的影响。

泰坦尼克号的奢华和精致堪称空前。船上配有室内游泳池、健身房、土耳其浴室、图书馆、电梯和壁球室。头等舱的公共休息室由精细的木质镶板装饰，配有高级家具以及其他各种高级装饰，并竭尽全力提供了以前从未见过的服务水平。阳光充裕的巴黎咖啡馆为头等舱乘客提供各种高级点心。泰坦尼克号的二等舱甚至是三等舱的居住环境和休息室都同样高档，甚至可以和当时许多客轮的头等舱相比。三台电梯专门为头等舱乘客服务；作为革新，二等舱乘客也有一台电梯使用，不过，三等舱的乘客仍然需要爬楼梯。

passenger_train.Pclass.value_counts()

3    491

1    216

2    184

Name: Pclass, dtype: int64

fig, axes = plt.subplots(1, 4, figsize=(12, 3))

passenger_train.Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='All Class');

passenger_train[passenger_train.Pclass==1].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='Class 1');

passenger_train[passenger_train.Pclass==2].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2], title='Class 2');

passenger_train[passenger_train.Pclass==3].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[3], title='Class 3');

从上图明显看出，一等舱的生存率最高，二等舱次之，三等舱最低。可见客舱等级确实影响了乘客的生存几率。

我们再来看下，不同等级客舱的小孩儿的生存几率有没有差别。

fig, axes = plt.subplots(1, 4, figsize=(12, 3))

passenger_train[passenger_train.Age<14].Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='All Children');

passenger_train[(passenger_train.Pclass==1) & (passenger_train.Age<14)]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='Class 1 Children'); # 头等舱小孩

passenger_train[(passenger_train.Pclass==2) & (passenger_train.Age<14)]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2], title='Class 2 Children'); # 二等舱小孩

passenger_train[(passenger_train.Pclass==3) & (passenger_train.Age<14)]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[3], title='Class 3 Children'); # 三等舱小孩

print passenger_train[passenger_train.Age<14].PassengerId.count() # 所有小孩

print passenger_train[(passenger_train.Age<14) & (passenger_train.Survived==0)].PassengerId.count() # 死亡

print passenger_train[(passenger_train.Age<14) & (passenger_train.Survived==1)].PassengerId.count() # 存活

print passenger_train[(passenger_train.Age<14) & (passenger_train.Survived==0) & (passenger_train.Pclass==3)].PassengerId.count() # 死亡

print passenger_train[(passenger_train.Age<14) & (passenger_train.Survived==1) & (passenger_train.Pclass==3)].PassengerId.count() # 存活

71

29

42

28

21

一共 71 个 14 岁以下的小孩儿，死亡 29 个，存活 42 个。其中头等舱一共 4 个小孩，死亡 1 个，存活 3 个；二等舱 18 个小孩全部存活；三等舱 49 个小孩，死亡 28 个，存活 21 个。从柱状图上也可以看出，上等客舱的小孩儿存活率更高。

再来比较头等舱的男人和三等舱的小孩儿的存活个数。

fig, axes = plt.subplots(1, 2, figsize=(12, 3))

passenger_train[(passenger_train.Pclass==1) & (passenger_train.Age>=14) & (passenger_train.Sex=='male')]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='Class 1 Men'); # 头等舱男人

passenger_train[(passenger_train.Pclass==3) & (passenger_train.Age<14)]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='Class 3 Children'); # 三等舱小孩

目测三等舱小孩儿的存活几率要高些。

既然到这了，我们就索性再看下头等舱的男人和三等舱的妇女的存活个数。

fig, axes = plt.subplots(1, 2, figsize=(12, 3))

passenger_train[(passenger_train.Pclass==1) & (passenger_train.Age>=14) & (passenger_train.Sex=='male')]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='Class 1 Men'); # 头等舱男人

passenger_train[(passenger_train.Pclass==3) & (passenger_train.Age>=14) & (passenger_train.Sex=='female')]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='Class 3 Women'); # 三等舱妇女

头等舱男人不比三等舱妇女存活几率高，女士比等级优先。

目前我们看了性别、年龄和等级对存亡的影响，这三个因素的影响都是很明显的。再来看下 SibSp（亲戚和配偶在船数量）、Parch（父母孩子的在船数量）对存亡的影响。

fig, axes = plt.subplots(1, 3, figsize=(12, 3))

passenger_train.Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='All');

passenger_train[(passenger_train.SibSp>0)]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='SibSp'); # 亲戚和配偶在船数量

passenger_train[passenger_train.Parch>0]    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2], title='Parch'); # 父母孩子的在船数量

从上图看，有亲戚和配偶，或者有父母孩子在船，存活率是要高些。

再来看下 Embarked（上船的港口编号）。

passenger_train.Embarked.value_counts()

S    644

C    168

Q     77

Name: Embarked, dtype: int64

fig, axes = plt.subplots(1, 4, figsize=(12, 3))

passenger_train.Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[0], title='All');

passenger_train[passenger_train.Embarked == 'S']    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[1], title='S'); # S

passenger_train[passenger_train.Embarked == 'C']    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[2], title='C'); # C

passenger_train[passenger_train.Embarked == 'Q']    \

    .Survived.value_counts().sort_index().plot(kind = 'bar', ax =axes[3], title='Q'); # Q

上面港口编号为 C 的人存活比例比其它要高，但我认为这只是一个很随机的结果，随机不等于均匀，不是存活的原因。如果这也能算，那要从船上找到此类原因就多了去了。

再来看下票价 Fare，统计下各等级船舱的票价频次。

fig, axes = plt.subplots(3, 1, figsize=(12, 6))

passenger_train.Fare.hist(bins = 100, ax=axes[0])

passenger_train[passenger_train.Pclass==1].Fare.hist(bins = 100, ax=axes[0]); # 一等舱票价频次

passenger_train[passenger_train.Pclass==2].Fare.hist(bins = 100, ax=axes[1]); # 二等舱票价频次

passenger_train[passenger_train.Pclass==3].Fare.hist(bins = 100, ax=axes[2]); # 三等舱票价频次

船舱等级越高，票价越高，票价 Fare 跟客舱等级是同一性质的属性，客舱等级已经是个非常好的价格离散化后的结果了。所以，这里的预测就不要 Fare 属性了。

客舱位置 Cabin 缺失值太多，去除；Ticket 值太多，没意义，去除；Name 无意义，去除。

去除无关属性数据

passenger_train = passenger_train.drop('Name', axis=1)

passenger_train = passenger_train.drop('Ticket', axis=1)

passenger_train = passenger_train.drop('Embarked', axis=1)

passenger_train = passenger_train.drop('Cabin', axis=1)

passenger_train = passenger_train.drop('Fare', axis=1)

passenger_train = passenger_train.drop('PassengerId', axis=1)

passenger_train.head()

SurvivedPclassSexAgeSibSpParch
003male22.010
111female38.010
213female26.000
311female35.010
403male35.000

passenger_train.Sex = passenger_train.Sex.map({"male": 1, "female": 0}) # 做个映射

passenger_train.ix[passenger_train.Age<15,'Age'] = 0

passenger_train.ix[(passenger_train.Age>=15) & (passenger_train.Age<30),'Age'] = 1

passenger_train.ix[(passenger_train.Age>=30) & (passenger_train.Age<45),'Age'] = 2

passenger_train.ix[(passenger_train.Age>=45) & (passenger_train.Age<60),'Age'] = 3

passenger_train.ix[passenger_train.Age>=60,'Age'] = 4

passenger_train.head()

SurvivedPclassSexAgeSibSpParch
00311.010
11102.010
21301.000
31102.010
40312.000

passenger_train.info() # 查看信息

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 891 entries, 0 to 890

Data columns (total 6 columns):

Survived    891 non-null int64

Pclass      891 non-null int64

Sex         891 non-null int64

Age         891 non-null float64

SibSp       891 non-null int64

Parch       891 non-null int64

dtypes: float64(1), int64(5)

memory usage: 41.8 KB

对年龄字段做个处理。

from sklearn.cross_validation import train_test_split

X_train, X_test, y_train, y_test = train_test_split(passenger_train.drop('Survived', axis=1), passenger_train.Survived, train_size=0.8)

下面尝试各种分类算法。

from sklearn import datasets

from sklearn import cross_validation

from sklearn import linear_model

from sklearn import metrics

from sklearn import tree

from sklearn import neighbors

from sklearn import svm

from sklearn import ensemble

from sklearn import cluster

先试下 Logistic 回归。

classifier = linear_model.LogisticRegression()

classifier.fit(X_train, y_train)

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,

          intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1,

          penalty='l2', random_state=None, solver='liblinear', tol=0.0001,

          verbose=0, warm_start=False)

y_test_pred = classifier.predict(X_test)

print(metrics.classification_report(y_test, y_test_pred)) # 真实的 y 和预测的 y

             precision    recall  f1-score   support



          0       0.84      0.87      0.85       112

          1       0.77      0.73      0.75        67



avg / total       0.81      0.82      0.81       179

precision 是精准度，recall 是召回率，fs-score 是 F1 值。各个指标还算不错。再来看混淆矩阵。

metrics.confusion_matrix(y_test, y_test_pred)

array([[97, 15],

       [18, 49]])

预测正确的有 146 人，错误 33 人。效果还不错。

再来尝试其它分类方法。决策树：

classifier = tree.DecisionTreeClassifier() # 决策树

classifier.fit(X_train, y_train)

y_test_pred = classifier.predict(X_test)

metrics.confusion_matrix(y_test, y_test_pred)

array([[101,  13],

       [ 18,  47]])

classifier = neighbors.KNeighborsClassifier() # K 近邻

classifier.fit(X_train, y_train)

y_test_pred = classifier.predict(X_test)

metrics.confusion_matrix(y_test, y_test_pred)

array([[97, 17],

       [15, 50]])

classifier = svm.SVC() # 支持向量机

classifier.fit(X_train, y_train)

y_test_pred = classifier.predict(X_test)

metrics.confusion_matrix(y_test, y_test_pred)

array([[101,  13],

       [ 15,  50]])

classifier = ensemble.RandomForestClassifier() # 随机森林

classifier.fit(X_train, y_train)

y_test_pred = classifier.predict(X_test)

metrics.confusion_matrix(y_test, y_test_pred)

array([[101,  13],

       [ 18,  47]])

从以上各种分类算法的混淆矩阵来看，支持向量机的预测效果是最好的，只预测错了 28 个人。

4. 研究 kaggle 中的 Digit Recognizer 数据，尝试用一些特征工程来提取数字的特征，并放入分类器中观察预测准确率，相对直接使用原始变量是否有提升。

train.csv 和 test.csv 包含 1~9 的手写数字的灰度图片。每幅图片都是 28 个像素的高度和宽度，共 28*28=784 个像素点，每个像素值都在 0~255 之间。

train.csv 包含 785 列，因为第 1 列是手写数字的真实值，后面的 784 列都是像素值。除第一行外，有 42000 条数据。

test.csv 除了不包含 label 列，其它跟 train.csv 一样。除第一行外，有 28000 条数据。

先来看看 train.csv 里的灰度图片是什么样子。

digitTrain = pd.read_csv('./Data/Digit-Recognizer/train.csv')

img = digitTrain.values[0:11,1:]



fig = plt.figure() 



for i in range(0,9,1):

    print "\ncurrent num is: %d" % i

    px = img[i,:]

    pix = []

    for j in range(28):

        pix.append([])

        for k in range(28):

            pix[j].append(px[j*28+k])

    ax = fig.add_subplot(330+i+1)

    ax.imshow(pix)

plt.show()

current num is: 0



current num is: 1



current num is: 2



current num is: 3



current num is: 4



current num is: 5



current num is: 6



current num is: 7



current num is: 8

首先将每个图片的像素值都变成二进制形式，像素值大于 0 的变成 1。

digitdata = digitTrain.ix[:,1:] # 像素数据

digitdata = digitdata.replace([1,255], 1)

digittest = digitTrain.ix[:,0] # Label 数据

X_train, X_test, y_train, y_test = cross_validation.train_test_split(digitdata, digittest, train_size=0.7) # 70% 用于训练，30% 用于检验

经过分析，该数据集适合用 K 最近邻算法。

classifier = neighbors.KNeighborsClassifier() # K 近邻

classifier.fit(X_train, y_train)

y_test_pred = classifier.predict(X_test)

metrics.confusion_matrix(y_test, y_test_pred)

array([[1220,    5,    1,    0,    1,    1,    1,    0,    0,    1],

       [   1, 1385,    3,    1,    1,    0,    1,    2,    0,    1],

       [  31,   39, 1156,    5,    1,    0,    2,   23,    1,    2],

       [  20,   57,    9, 1153,    0,   11,    1,    8,    6,    3],

       [  27,   46,    4,    0, 1118,    0,    4,    1,    0,   30],

       [  31,   30,    1,   20,    0, 1007,    7,    1,    0,    8],

       [  42,   23,    0,    0,    1,    1, 1216,    0,    0,    0],

       [  26,   46,    6,    0,    4,    0,    0, 1232,    0,    7],

       [  24,   61,    7,   18,    6,   25,    7,    3, 1052,   13],

       [  22,   40,    4,    8,   10,    5,    2,   27,    1, 1174]])

从混淆矩阵来看，预测结果还算不错。