机器学习必修课 - 使用管道 Pipeline

目标学习使用管道pipeline来提高机器学习代码的效率。

1. 运行环境Google Colab

import pandas as pd
from sklearn.model_selection import train_test_split

!git clone https://github.com/JeffereyWu/Housing-prices-data.git

• 下载数据集

2. 加载房屋价格数据集进行数据预处理并将数据划分为训练集和验证集

# Read the data
X_full = pd.read_csv('/content/Housing-prices-data/train.csv', index_col='Id')
X_test_full = pd.read_csv('/content/Housing-prices-data/test.csv', index_col='Id')

# Remove rows with missing target, separate target from predictors
X_full.dropna(axis=0, subset=['SalePrice'], inplace=True)
y = X_full.SalePrice
X_full.drop(['SalePrice'], axis=1, inplace=True)

# Break off validation set from training data
X_train_full, X_valid_full, y_train, y_valid = train_test_split(X_full, y, 
                                                                train_size=0.8, test_size=0.2,
                                                                random_state=0)

• 使用Pandas的read_csv函数从指定路径读取训练集和测试集的CSV文件。index_col='Id'表示将数据集中的’Id’列作为索引列。
• 从X_full数据中删除了带有缺失目标值的行这是因为目标值‘SalePrice’是我们要预测的值所以必须确保每个样本都有一个目标值。然后将目标值从X_full数据中分离出来存储在变量y中并从X_full中删除了目标值列以便将其视为预测特征。

3. 选择具有相对低基数唯一值数量较少的分类categorical列

# "Cardinality" means the number of unique values in a column
# Select categorical columns with relatively low cardinality (convenient but arbitrary)
categorical_cols = [cname for cname in X_train_full.columns if
                    X_train_full[cname].nunique() < 10 and 
                    X_train_full[cname].dtype == "object"]

• 识别具有相对较少不同类别的分类列因为这些列更适合进行独热编码而不会引入太多的新特征。

4. 选择数值型numerical列

# Select numerical columns
numerical_cols = [cname for cname in X_train_full.columns if 
                X_train_full[cname].dtype in ['int64', 'float64']]

• 识别数据集中包含数值数据的列因为这些列通常用于构建数值特征并且需要用于训练和评估数值型机器学习模型。

5. 将数据集中的列限制在所选的分类categorical列和数值numerical列上

# Keep selected columns only
my_cols = categorical_cols + numerical_cols
X_train = X_train_full[my_cols].copy()
X_valid = X_valid_full[my_cols].copy()
X_test = X_test_full[my_cols].copy()

• 创建了一个名为my_cols的列表其中包含了要保留的列名
• 使用X_train_full[my_cols].copy()和X_valid_full[my_cols].copy()从原始训练数据集X_train_full和X_valid_full中创建了新的数据集X_train和X_valid。这两个数据集只包含了my_cols中列名所对应的列其他列被丢弃了。最后同样的操作也被应用到测试数据集上创建了包含相同列的测试数据集X_test。

from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

6. 准备数值型数据和分类型数据以供机器学习模型使用

# Preprocessing for numerical data
numerical_transformer = SimpleImputer(strategy='constant')

# Preprocessing for categorical data
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# Bundle preprocessing for numerical and categorical data
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numerical_transformer, numerical_cols),
        ('cat', categorical_transformer, categorical_cols)
    ])

• 创建了一个名为numerical_transformer的预处理器用于处理数值型数据。在这里使用了SimpleImputer并设置了策略为’constant’表示将缺失的数值数据填充为一个常数值。
• 使用SimpleImputer来填充缺失值策略为’most_frequent’表示使用出现频率最高的值来填充缺失的分类数据。
• 使用OneHotEncoder来执行独热编码将分类数据转换成二进制的形式并且设置了handle_unknown='ignore'以处理在转换过程中遇到未知的分类值。
• 使用ColumnTransformer来组合数值型和分类型数据的预处理器将它们一起构建成一个整体的预处理过程。

7. 建立、训练和评估一个随机森林回归模型

# Define model
model = RandomForestRegressor(n_estimators=100, random_state=0)

# Bundle preprocessing and modeling code in a pipeline
clf = Pipeline(steps=[('preprocessor', preprocessor),
                      ('model', model)
                     ])

# Preprocessing of training data, fit model 
clf.fit(X_train, y_train)

# Preprocessing of validation data, get predictions
preds = clf.predict(X_valid)

print('MAE:', mean_absolute_error(y_valid, preds))

• 创建了一个名为model的机器学习模型。在这里使用了随机森林回归模型它是一个基于决策树的集成学习模型包含了100颗决策树并设置了随机种子random_state为0以确保结果的可重复性。
• 创建了一个名为clf的机器学习管道Pipeline。管道将数据预处理步骤preprocessor和模型训练步骤model捆绑在一起确保数据首先被预处理然后再用于模型训练。
• MAE是一种衡量模型预测误差的指标其值越小表示模型的性能越好。

MAE: 17861.780102739725

8. 重新进行数据预处理和定义一个机器学习模型

# Preprocessing for numerical data
numerical_transformer = SimpleImputer(strategy='constant')

# Preprocessing for categorical data
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='constant')),
    ('onehot', OneHotEncoder(handle_unknown='ignore'))
])

# Bundle preprocessing for numerical and categorical data
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numerical_transformer, numerical_cols),
        ('cat', categorical_transformer, categorical_cols)
    ])

# Define model
model = RandomForestRegressor(n_estimators=100, random_state=0)

• 使用SimpleImputer来填充分类型数据中的缺失值策略改为’constant’改用常数值填充。

# Bundle preprocessing and modeling code in a pipeline
my_pipeline = Pipeline(steps=[('preprocessor', preprocessor),
                              ('model', model)
                             ])

# Preprocessing of training data, fit model 
my_pipeline.fit(X_train, y_train)

# Preprocessing of validation data, get predictions
preds = my_pipeline.predict(X_valid)

# Evaluate the model
score = mean_absolute_error(y_valid, preds)
print('MAE:', score)

MAE: 17621.3197260274

9. 再一次进行数据预处理和定义一个机器学习模型

# 自定义数值型数据的预处理步骤
numerical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='mean')),  # 可以使用均值填充缺失值
])

# 自定义分类型数据的预处理步骤
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')),  # 使用最频繁的值填充缺失值
    ('onehot', OneHotEncoder(handle_unknown='ignore'))  # 执行独热编码
])

# 定义自己的模型
model = RandomForestRegressor(n_estimators=200, random_state=42)  # 增加决策树数量设置随机种子

# 将自定义的预处理和模型捆绑在一起
clf = Pipeline(steps=[('preprocessor', preprocessor),
                      ('model', model)
                     ])

# 预处理训练数据训练模型
clf.fit(X_train, y_train)

# 预处理验证数据获取预测结果
preds = clf.predict(X_valid)

print('MAE:', mean_absolute_error(y_valid, preds))

MAE: 17468.0611130137

# Preprocessing of test data, fit model
preds_test = clf.predict(X_test)

# Save test predictions to file
output = pd.DataFrame({'Id': X_test.index,
                       'SalePrice': preds_test})
output.to_csv('submission.csv', index=False)