运用sklearn做逻辑回归预测 - 好文

逻辑回归算是机器学习中最基础的模型了，回归模型在做分类问题中有着较好的效果。下面介绍下利用sklearn做逻辑回归模型
做模型一般分为:提取数据---->了解数据(所谓的探索性数据)---->数据预处理(包括但不限于填充缺失值，特征提取，转换哑变量)---->选择模型---->验证模型---->模型优化

下面先简单介绍下逻辑回归的原理：

说到逻辑回归就不得不提一下线性回归，线性回归用wiki百科的定义来解释就是：在统计学中，线性回归是一种用来建立响应标量（因变量）和一个或多个解释变量（自变量）之间的模型关系的线性方法。线性回归分为一元线性回归和多元线性回归。均方误差是回归模型中常用的度量方法。一般用最小二乘法来最小化均方误差。

线性回归用的最多的是做预测，而逻辑回归最适合的有二分预测，比如是否垃圾邮件，广告是否点击等等；今天的模型用kaggle比赛中的泰坦尼克预测数据集来做逻辑回归模型，故此次我们做的是监督学习。

1.在数据集从kaggle中下载后我们先读取数据和数据预览：

通过DataFrame的函数info(),我们可以详细看到数据的分布等情况
import pandas as pd
train=pd.read_csv('D:\\pycm\\kaggle\\titanic\\train.csv',index_col=0) #read
train data test=pd.read_csv('D:\\pycm\\kaggle\\titanic\\test.csv',index_col=0)
#read test data print(train.info()) #show the information about train
data,including counting values of null

2.了解数据：

查看数据中的缺失值
print(train.isnull().sum()

发现数据中缺失数据Age有177个，Cabin 有687个，Embarked 有2个；由于Cabin
缺失数据占比太大了，我们看下这列数据缺失部分和有值部分对是否获救的情况是如何的，来判断该特征是否需要直接删除。
c=train.Cabin.value_counts() #get the value of Cabin print(c)
train.drop(labels=Cabin,axis=1)
3.数据处理：

看了下结果发现都是一些客舱号，由于不具有很大的参考意义，在这里我直接把这个特征舍弃掉。

另一个列Embarked是登船的港口，有2个缺失值，我们用出现频率最多的值来填充
train.Embarked=train.Embarked.fillna('S') Em=train.Embarked.value_counts()
print(Em)
接下来是Age有177个缺失值，

由于年龄和姓名相关，我们首先把未缺失的值按照姓名的简称来做下均值分类
train['cc']=train.Name.map(lambda x:
str(re.compile(r',(.*)\.').findall(x)))#获取名字中的简称字样Mr,Miss,Mrs,Master,Dr等值
#替换上面的写法：train['cc']=train['Name'].apply(lambda
x:x.split(',')[1].split('.')[0].strip())
c=train.loc[:,['cc','Age']].query('Age>0').groupby('cc').mean() #按照名称辅助列看下各年龄的均值
最后我们看到结果如下：

在这里我们对缺失值的年龄填充根据姓名简称的均值来进行填充
train['Age']=train['Age'].fillna(0)#先对缺失值进行0填充 for i in range(1,891): if
train['Age'][i]==0 and train['cc'][i]=="[' Mr']": train.loc[i, 'Age']=32 if
train['Age'][i]==0 and train['cc'][i] =="[' Mrs']": train.loc[i, 'Age']= 35 if
train['Age'][i]==0 and train['cc'][i] == "[' Miss']": train.loc[i, 'Age']=20 if
train['Age'][i]==0 and train['cc'][i] == "[' Master']": train.loc[i, 'Age']= 4
if train['Age'][i]==0 and train['cc'][i] == "[' Dr']": train.loc[i,'Age']=42
另一种写法，如下：
value=['Mr','Miss','Mrs','Master','Dr'] for v in value:
train.loc[(train.Age==0)&(train.cc==v),'Age']=c.loc[v,'Age']
到这里我们就把缺失值处理完了，下面我们对类别值进行处理，我们先看下目前有哪些特征是类别
categore=train.dtypes[train.dtypes=='object'].index
结果为：

我们看到，目前有年龄，船票和登船口是类别型的，这里我们对年龄和登船口做变量赋值
train=train.replace({'Sex':{'male':1,'female':2},
'Embarked':{'S':1,'C':2,'Q':3}} )
后面我们把Name,Ticket等无意义的字段直接删掉
data=data.drop(labels=['cc','Name','Ticket'],axis=1)

到这里就数据处理完啦。由于kaggle数据都是直接把train,test给我们的，所以我一般会前期把train数据集和test数据集放一起做数据处理。这里前面我们可以在最初做数据拼接操作
data=pd.concat([train,test],keys=(['train','test']))
最后对所有的数据处理完后把数据分开
train_data=data.xs('train')#分开得到level 为train的测试数据
test_data=data.xs('test').drop(labels='Survived',axis=1)
x_train=train_data.drop(labels='Survived',axis=1)
y_train=train_data['Survived'] test_data=test_data.fillna(0)
4.选择模型

本次的特征较少，我们就不做特别的特征选取了，对数据处理完后就直接进入模型阶段，这次我们在这里讲解Logistics回归模型。

首先对模型做均一化处理
from sklearn.preprocessing import StandardScaler from sklearn.linear_model
import LogisticRegression S=StandardScaler() S.fit(x_train)
x_train_stand=S.transform(x_train) x_test_stand=S.transform(test_data)
Log=LogisticRegression(C=10) Log.fit(x_train_stand,y_train) #训练模型
prediction=Log.predict(x_test_stand) #用训练的模型Log来预测测试数据
result=pd.DataFrame({'PassengerId':test_data.index,'Survived':prediction.astype(np.int32)})
#这里需要注意把prediction的数据转换成Int型不然系统判定不了，得分会为0
result.to_csv('D:\\pycm\\kaggle\\titanic\\result.csv',index=False) #设置不输出Index
最后将得到的结果提交，就完成啦，

后面还可以对模型进行优化，调参，我们放到下一期来进行讲解。这期讲解逻辑回归就先到这里，我们以一个是否生存的预测问题结尾。

最后附上完整代码：
import pandas as pd import numpy as np import seaborn as sns import matplotlib
import matplotlib.pyplot as plt import re from sklearn.preprocessing import
StandardScaler from sklearn.linear_model import LogisticRegression
train=pd.read_csv('D:\\pycm\\kaggle\\titanic\\train.csv',index_col=0) #读文件
test=pd.read_csv('D:\\pycm\\kaggle\\titanic\\test.csv',index_col=0)
data=pd.concat([train,test],keys=(['train','test'])) print(data.info())
data.Embarked=data.Embarked.fillna('S') data=data.drop(labels='Cabin',axis=1)
#data['cc']=data.Name.map(lambda x: str(re.compile(r',(.*)\.').findall(x)))
data['cc']=data['Name'].apply(lambda x:x.split(',')[1].split('.')[0].strip())
c=data.loc[:,['cc','Age']].query('Age>0').groupby('cc').mean()
print(c.loc['Miss','Age']) value=['Mr','Miss','Mrs','Master','Dr']
data['Age']=data['Age'].fillna(0) for v in value:
data.loc[(data.Age==0)&(data.cc==v),'Age']=c.loc[v,'Age']
data=data.drop(labels=['cc','Name','Ticket'],axis=1)
data=data.replace({'Sex':{'male':1,'female':2}, 'Embarked':{'S':1,'C':2,'Q':3}}
) train_data=data.xs('train')
test_data=data.xs('test').drop(labels='Survived',axis=1)
x_train=train_data.drop(labels='Survived',axis=1)
y_train=train_data['Survived'] test_data=test_data.fillna(0) S=StandardScaler()
S.fit(x_train) x_train_stand=S.transform(x_train)
x_test_stand=S.transform(test_data)
Log=RandomForestClassifier(oob_score=True,random_state=10)
Log.fit(x_train_stand,y_train) prediction=Log.predict(x_test_stand)
result=pd.DataFrame({'PassengerId':test_data.index,'Survived':prediction.astype(np.int32)})
result.to_csv('D:\\pycm\\kaggle\\titanic\\result.csv',index=False)

热门工具换一换