仅需10分钟：开启你的机器学习之路 选自freecodecamp 作者：Tirmidzi Faizal Aflahi 机器之心编译 参与：李诗萌、杜伟 机器学习之路虽漫漫无垠，但莘莘学子依然纷纷投入到机器学习的洪流中。如何更有效地开始机器学习呢？所谓「八仙过海，各显神通」，本文作者以Python语言为工具进行机器学习，并以Kaggle竞赛中的泰坦尼克号项目进行详细解读。跟着小编来看看吧！ 随着行业内机器学习的崛起，能够帮用户快速迭代整个过程的工具变得至关重要。Python，机器学习技术领域冉冉升起的一颗新星，往往是带你走向成功的首选。因此，用 Python 实现机器学习的指南是非常必要的。 用 Python 实现机器学习的介绍 那么为什么是 Python 呢？根据我的经验，Python 是最容易学习的编程语言之一。现在需要快速迭代整个过程，与此同时，数据科学家不需要深入了解这种语言，因为他们可以快速掌握它。 有多容易呢？ foranythinginthe_list: print(anything) 就这么容易。Python 的语法和英语（或人类语言，而不是机器语言）语法关系密切。在 Python 的语法中没有愚蠢的大括号造成的困扰。我有一个从事质量保证（Quality Assurance）工作的同事，虽然不是软件工程师，但她可以在一天内写出产品级的 Python 代码。（真的！） 我将在下文中介绍几个基于 Python 的库。作为数据分析师和数据科学家，我们可以利用他们的杰作来帮助我们完成任务。这些不可思议的库是用 Python 实现机器学习的必备工具。 NumPy 这是一个非常有名的数据分析库。从计算数据分布的中位数，到处理多维数组，NumPy 都可以帮你完成。 Pandas 这是用来处理 CSV 文件的。当然了，你还需要处理一些表格、查看统计数据等，那 Pandas 就是可以满足你的需求的工具。 Matplotlib 把数据存储在 Pandas 的数据框后，你可能需要做一些可视化来理解数据的更多信息。毕竟一图抵千言。 Seaborn 这是另一个可视化工具，但这个工具更侧重于统计结果的可视化，比如直方图、饼图、曲线图或相关性表等。 Scikit-Learn 这是用 Python 实现机器学习的终极工具。所谓用 Python 实现机器学习指的就是这个——Scikit-Learn。所有你需要的从算法到提升的内容都能在这里找到。 Tensorflow 和 Pytorch 针对这两个工具我不会说太多。但如果你对深度学习感兴趣的话，可以详细了解一下，它们值得你花时间去学习。（我下次会再写一篇关于深度学习的教程，敬请期待！） Python 机器学习项目 当然，只是阅读和学习是没法让你达成心愿的。你需要实际练习。正如我博客中所说的，如果你没有深入数据的话，那学习这些工具将毫无意义。因此，我在这里介绍一个可以轻松找到 Python 机器学习项目的地方。 博客地址：https://thedatamage.com/ Kaggle 是一个可以直接研究数据的平台。你可以在这个平台中解决一些项目，并达到真的擅长机器学习的地步。你可能更感兴趣另外一些东西——Kaggle 举办的机器学习竞赛，奖金高达 100,000 美元。你可能会想着碰碰运气，哈哈。 Kaggle：https://www.kaggle.com/ 但最重要的并不是钱——你真的可以在这里找到用 Python 实现的机器学习项目。你可以试着完成很多项目。但如果你是个新手，你可能会想参加这项竞赛。 我们将在后面的教程中用到一个示例项目： 泰坦尼克：从灾难中进行机器学习（https://www.kaggle.com/c/titanic） 这就是众所周知的泰坦尼克号。这是一场发生在 1912 年的灾难，这场灾难波及到的乘客和机组成员共 2224 人，其中 1502 人遇难死亡。这项 Kaggle 竞赛（或者说是教程）提供了灾难中的真实数据。你的任务是解释这些数据，并预测出灾难中哪些人会活下来，哪些人不会。 用 Python 实现机器学习的教程 在深入了解泰坦尼克号的数据之前，我们要先安装一些必需的工具。 首先当然是 Python。第一次安装 Python 需要从官网上安装。你要安装 3.6 以上的版本，这样才能跟最新版本的库保持同步。 Python 官方网站：https://www.python.org/downloads/ 然后可以用 Python 的 pip 安装所有的库。你刚刚下载的 Python 发行版会自动安装 pip。 需要的其他工具都可以用 pip 安装。打开终端、命令行或 PowerShell，命令如下： pipinstallnumpy pipinstallpandas pipinstallmatplotlib pipinstallseaborn pipinstallscikit-learn pipinstalljupyter 看起来一切都运行良好。但是等一下，什么叫 jupyter？jupyter 表示 Julia、Python 和 R，因此它实际上是 Jupytr。但这个单词看起来太奇怪了，所以他们把它变成了 Jupyter。这是一个很有名的笔记本，你可以在这个笔记本上写交互式的 Python 代码。 只要在终端中输入 jupyter notebook，就可以打开如下图所示的浏览器页面： 你可以把代码写在绿色矩形中，而且可以交互式地编写并评价 Python 代码。 现在你已经安装了所有的工具。我们开始吧！ 数据探索 探索数据是第一步。你需要从 Kaggle 的 Titanic 页面下载数据，然后将下载的数据放到你启动 Jupyter 笔记本的文件夹中。 数据下载地址：https://www.kaggle.com/c/titanic/data 然后导入必要的库： importnumpyasnp importpandasaspd importmatplotlib.pyplotasplt importseabornassns importwarnings warnings.filterwarnings('ignore') %matplotlibinline 载入数据： train_df=pd.read_csv("train.csv") train_df.head() 输出如下： 这就是我们的数据。它有下面几列： PassengerId，乘客的标识符； Survived，他（她）是否存活了下来； Pclass，舱室类别，也许 1 表示经济舱，2 表示商务舱，3 表示头等舱； Name，乘客的名字； Sex，性别； Age，年龄； 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数目； Parch，即父母（Parents）或子女（Children），表示在船上的父母和子女的数目； Ticket，船票详情； Cabin，舱号，NaN 表示未知； Embarked，登船的起始地，S 表示南安普顿（Southampton），Q 表示皇后镇（Queenstown），C 表示瑟堡（Cherbourg） 在探索数据时，常常会遇到数据缺失的问题。我们来看一下 defmissingdata(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('Percentofmissingvalues',fontsize=15) plt.title('Percentmissingdatabyfeature',fontsize=15) returnms missingdata(train_df) 我们会看到这样的结果： 舱号、年龄以及登船地的数据都有一些缺失值，而舱号信息有大量的缺失。我们需要对它们进行处理，也就是所谓的数据清理（Data Cleaning）。 数据清理 我们 90% 的时间都花在这上面。我们要针对每一个机器学习项目进行大量的数据清理。当数据清理干净时，我们就可以轻松地进行下一步了，什么都不用担心。 数据清理中最常用的技术是填充缺失数据。你可以用众数、平均数或中位数来填充缺失数据。选择这些数据没有绝对规则，你可以一一尝试，然后看看它们的表现如何。但是根据经验来讲，分类数据只能用众数，连续数据可以用中位数或平均数。所以我们用众数来填充登船地数据，用中位数来填充年龄数据。 train_df['Embarked'].fillna(train_df['Embarked'].mode()[0],inplace=True) train_df['Age'].fillna(train_df['Age'].median(),inplace=True) 接下来的重要操作是删除数据，尤其针对大量缺失的数据。我们针对舱号数据进行以下处理： drop_column=['Cabin'] train_df.drop(drop_column,axis=1,inplace=True) 现在检查一下清理过的数据。 print('checkthenanvalueintraindata') print(train_df.isnull().sum()) 完美！没有任何缺失数据了！这表示数据已经清理干净了。 特征工程 现在数据已经清理干净了。接下来我们要进行特征工程。 特征工程基本上就是根据当前可用数据发现特征或数据的技术。有几种方法可以实现这种技术。在很多时候这都是常识。 我们以登船地数据为例——这是用 Q、S 或 C 填充的数据。Python 库不能处理这个，因为它只能处理数字。所以你需要用所谓的独热向量化（One Hot Vectorization）来处理，它可以把一列变成三列。用 0 或 1 填充 Embarked_Q、Embarked_S 和 Embarked_C，来表示这个人是不是从这个港口出发的。 再以 SibSp 和 Parch 为例。这两列没有什么有趣的，但是你可能会想知道某个乘客有多少家人登上了这艘船。如果家人多的话可能会增加生存几率，因为他们可以互相帮助。从另一个角度说，单独登船的乘客可能很难生存下去。 因此你可以创建新的一列，这一列是成员数量（family size），family size = SibSp + Parch + 1（乘客自己）。 最后一个例子是以 bin 列为例的。由于你认为很难区分具有相似值的事物，所以这种操作创建了值范围（ranges of values），然后将多个值组合在一起。比如，5 岁和 6 岁的乘客之间有显著的差异吗？或者 45 和 46 岁的人之间有显著的差异吗？ 这就是创建 bin 列的原因。也许就年龄而言，我们可以创建 4 列——幼儿（0~14 岁）、青少年（14~20 岁）、成年人（20~40 岁）以及年长的人（40 岁以上）。 编码如下： all_data=train_df fordatasetinall_data: dataset['FamilySize']=dataset['SibSp']+dataset['Parch']+1 importre #Definefunctiontoextracttitlesfrompassengernames defget_title(name): title_search=re.search('([A-Za-z]+)\.',name) #Ifthetitleexists,extractandreturnit. iftitle_search: returntitle_search.group(1) return"" #CreateanewfeatureTitle,containingthetitlesofpassengernames fordatasetinall_data: dataset['Title']=dataset['Name'].apply(get_title) #Groupallnon-commontitlesintoonesinglegrouping"Rare" fordatasetinall_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') fordatasetinall_data: dataset['Age_bin']=pd.cut(dataset['Age'],bins=[0,14,20,40,120],labels=['Children','Teenage','Adult','Elder']) fordatasetinall_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 fordatasetintraindf: 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"]) 现在，你已经创建完成所有的特征了。接着我们看看这些特征之间的相关性： sns.heatmap(traindf.corr(),annot=True,cmap='RdYlGn',linewidths=0.2)#data.corr()--correlationmatrix fig=plt.gcf() fig.set_size_inches(20,12) plt.show() 相关值接近 1 意味着高度正相关，-1 意味着高度负相关。例如，性别为男和性别为女之间就呈负相关，因为必须将乘客识别为一种性别（或另一种）。此外，你还可以看到，除了用特征工程创建的内容外，没有哪两种是高度相关的。这证明我们做得对。 如果某些因素之间高度相关会怎么样？我们可以删除其中的一个，新列中的信息并不能给系统提供任何新信息，因为这两者是完全一样的。 用 Python 实现机器学习 现在我们已经到达本教程的高潮——机器学习建模。 fromsklearn.model_selectionimporttrain_test_split#forsplitthedata fromsklearn.metricsimportaccuracy_score#foraccuracy_score fromsklearn.model_selectionimportKFold#forK-foldcrossvalidation fromsklearn.model_selectionimportcross_val_score#scoreevaluation fromsklearn.model_selectionimportcross_val_predict#prediction fromsklearn.metricsimportconfusion_matrix#forconfusionmatrix 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 库中有多种算法供你选择： 逻辑回归 随机森林 支持向量机 K 最近邻 朴素贝叶斯 决策树 AdaBoost LDA 梯度增强 你可能感到不知所措，想弄清什么是什么。别担心，只要将它当做「黑箱」对待就好——选一个表现最好的。（我之后会写一篇完整的文章讨论如何选择这些算法。） 以我最喜欢的随机森林算法为例： fromsklearn.ensembleimportRandomForestClassifier 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('--------------TheAccuracyofthemodel----------------------------') print('TheaccuracyoftheRandomForestClassifieris',round(accuracy_score(prediction_rm,y_test)*100,2)) kfold=KFold(n_splits=10,random_state=22)#k=10,splitthedatainto10equalparts result_rm=cross_val_score(model,all_features,Targeted_feature,cv=10,scoring='accuracy') print('ThecrossvalidatedscoreforRandomForestClassifieris:',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！准确率高达 83%。就第一次尝试而言，这个结果已经很好了。 交叉验证分数的意思是 K 折验证方法。如果 K=10，就是说要把数据分成 10 个变量，计算所有分数的均值，并将它们作为最终分数。 微调 现在你已经完成了用 Python 实现机器学习的步骤。但再加一个步骤可以让你得到更好的结果——微调。微调的意思是为机器学习算法找到最佳参数。以上面的随机森林代码为例： 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) 你需要设置许多参数。顺便说一下，上面的都是默认值。你可以根据需要改变参数。但当然了，这需要花费很多时间。 别担心——有一种叫做网格搜索（Grid Search）的工具，它可以自动找出最佳参数。听起来还不错，对吧？ #RandomForestClassifierParameterstunning model=RandomForestClassifier() n_estim=range(100,1000,100) ##Searchgridforoptimalparameters 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) #Bestscore print(model_rf.best_score_) #bestestimator model_rf.best_estimator_ 好了，你可以自己尝试一下，并从中享受机器学习的乐趣。 总结 怎么样？机器学习看起来似乎并不难吧？用 Python 实现机器学习很简单。一切都已经为你准备好了。你可以做一些神奇的事，并给人们带来快乐。 原文链接：https://medium.freecodecamp.org/how-to-get-started-with-machine-learning-in-less-than-10-minutes-b5ea68462d23 本文为机器之心编译，转载请联系本公众号获得授权。 ?------------------------------------------------ 加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com 投稿或寻求报道：content@jiqizhixin.com 广告 & 商务合作：bd@jiqizhixin.com