上一篇：【Kaggle】Intermediate Machine Learning（缺失值+文字特征处理）
下一篇：【Kaggle】Intermediate Machine Learning（XGBoost + Data Leakage）

4. Pipelines 管道

该模块可以把数据前处理+建模整合起来

好处：

1. 更清晰的代码：在预处理的每个步骤中对数据的核算都可能变得混乱。使用管道，您无需在每个步骤中手动跟踪训练和验证数据。
2. 错误更少：错误地使用步骤或忘记预处理步骤的机会更少。
3. 易于生产部署
4. 对模型验证也有好处

步骤1： 定义前处理步骤

• 对缺失的数字数据，进行插值
• 对文字特征进行one-hot编码

from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder# Preprocessing for numerical data 数字数据插值
numerical_transformer = SimpleImputer(strategy='constant')# Preprocessing for categorical data 文字特征处理，插值+编码转换
categorical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='most_frequent')),('onehot', OneHotEncoder(handle_unknown='ignore'))
])# Bundle preprocessing for numerical and categorical data
# 上面两者合并起来，形成完整的数据处理流程
preprocessor = ColumnTransformer(transformers=[('num', numerical_transformer, numerical_cols),('cat', categorical_transformer, categorical_cols)])

步骤2： 定义模型

from sklearn.ensemble import RandomForestRegressormodel = RandomForestRegressor(n_estimators=100, random_state=0)

步骤3： 创建和评估管道

我们使用Pipeline类来定义将预处理和建模步骤捆绑在一起的管道。

管道会在生成预测之前自动对数据进行预处理（如果没有管道，我们必须在进行预测之前先对数据进行预处理）。

# Bundle preprocessing and modeling code in a pipeline
# 将 前处理管道 + 模型管道，再次叠加形成新管道
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)

# 用定义好的pipeline 对test进行预测，提交，代码很简洁，不易出错
preds_test = my_pipeline.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)

You advanced 5,020 places on the leaderboard!
Your submission scored 16459.13640, which is an improvement of your previous score of 16619.07644. Great job!
误差有点提升，哈哈，加油！🚀

5. Cross-Validation 交叉验证

交叉验证可以更好的验证模型，把数据分成几份（Folds），依次选取一份作为验证集，其余的用来训练，显然交叉验证会花费更多的时间

如何选择是否使用：

• 对于较小的数据集，不需要太多的计算负担，则应运行交叉验证

• 对于较大的数据集，单个验证集就足够了，因为数据足够多了，交叉验证花费的时间成本变大

• 没有简单的准则，如果模型花费几分钟或更短的时间来运行，那就使用交叉验证吧

• 可以运行交叉验证，看看每个实验的分数是否接近。如果每个实验产生相同的结果，则单个验证集可能就足够了

from sklearn.ensemble import RandomForestRegressor
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputermy_pipeline = Pipeline(steps=[('preprocessor', SimpleImputer()),('model', RandomForestRegressor(n_estimators=50,random_state=0))
])

from sklearn.model_selection import cross_val_score
# Multiply by -1 since sklearn calculates *negative* MAE
scores = -1 * cross_val_score(my_pipeline, X, y,cv=5,scoring='neg_mean_absolute_error')
print("MAE scores:\n", scores)
print("Average MAE score (across experiments):")
print(scores.mean())

# 树的棵数不同情况下，交叉验证的得分均值
def get_score(n_estimators):"""Return the average MAE over 3 CV folds of random forest model.Keyword argument:n_estimators -- the number of trees in the forest"""my_pipeline = Pipeline(steps=[('preprocessing',SimpleImputer()),('model',RandomForestRegressor(n_estimators=n_estimators,random_state=0))])scores = -1*cross_val_score(my_pipeline,X,y,cv=3,scoring='neg_mean_absolute_error')return scores.mean()results = {}
for i in range(1,9):# 获取树的棵树是50，100，。。。，400时，模型的效果results[50*i] = get_score(50*i)

# 可视化不同参数下的模型效果
import matplotlib.pyplot as plt
%matplotlib inlineplt.plot(list(results.keys()), list(results.values()))
plt.show()
n_estimators_best = min(results, key=results.get) #最合适的参数

还可以通过 sklearn.model_selection.GridSearchCV 网格式搜索最佳的参数

---

上一篇：【Kaggle】Intermediate Machine Learning（缺失值+文字特征处理）
下一篇：【Kaggle】Intermediate Machine Learning（XGBoost + Data Leakage）