数据预处理与特征工程
数据挖掘的五大流程：获取数据、数据预处理、特征工程、建模、上线验证
数据预处理preprocessing & impute
一、数据无量纲化（统一规格，特例：决策树、树的集成算法不需要）
1、中心化 zero-centered/mean subtraction
本质是所有记录减去一个固定值
1）preprocessing.MinMaxScaler
2、缩放处理 scale
本质是所有记录除以一个固定值
数据预处理与特征工程
数据挖掘的五大流程：获取数据、数据预处理、特征工程、建模、上线验证
首先调整
机器学习调参基本思想
调参目标是提升某个模型评估指标
1、泛化误差（衡量模型在未知数据上准确率的指标）
1）在测试集上表现不好：泛化能力不够
2）泛化误差受模型结构（复杂度）影响（U型曲线），调参之前，判断模型在曲线哪个部分
3）模型太简单或太复杂，泛化误差都会升高，追求的是中间的平衡点
4）模型太复杂：过拟合，太简单：欠拟合
5）树模型和树的集成模型，越深、枝叶越多、模型越复杂
6）树模型和树的集成模型目标：减少模型复杂度（剪枝），使模型向图像左边移动
2、各个参数对树模型的影响程度（由大到小）
1）n_estimators：计算量允许，越大越好，不影响单个模型复杂度
2）max_depth：默认让树生长到最茂盛，下降，模型更简单
3）min_samples_leaf、min_samples_split：默认最小限制1、2，即最高复杂度，调大，模型更简单
4）max_features：默认特征总数开平方（auto），中间复杂度，减小，更简单，增加，更复杂（不怎么用）
5）criterion：一般选gini（影响看具体情况）
x_labels=['full data'
pd.concat()
第一个参数：需要连接的所有对象用列表包起来
第二个参数：axis=1左右相连
特征矩阵和标签有某种联系，可以交换
特征矩阵缺失值标签：x_test
特征矩阵缺失值：需要预测的y_test
特征矩阵不缺失值：y_train，标签：x_train
(这种做法适用于某一列特征大量缺失，若多列缺失，遍历特征，从缺失最少的列填补，填补其中一列时，先将其它特征缺失值用0代替）
imp_mean=S
RandomForestRegressor（随机森林回归）
一、参数criterion取值不同（与决策树部分相同）
1）"mse"：回归树中，MSE是分支质量衡量指标，也是回归树回归质量衡量指标
2）"friedman_mse"
3）"mae"
二、模型衡量指标不同：R²或MSE（常用）
三、常用接口apply, predict, fit, score，没有predict_proba
注：如何打印模型评估指标列表？
import sklearn
sorted(sklearn.metrics.SCORERS.keys())
2、random_state
1）随机森林中的random_state控制的是生成森林的模式，设成固定值生成一组固定的树
2）决策树中的random_state控制随机选择特征分支
3）随机性越大，bagging效果一般越好，因此一般不设置，若追求稳定性可设置成固定值
3、bootstrap、oob_score
1）bootstrap默认为True，控制有放回的随机抽样
2）oob_score默认为False，设置为True表示希望用袋外数据测试模型，此时训练函数中放入完整数据（不用划分训练集、测试集）
三、重要属性
1、estimators_，查看森林中树的状况
.estimators[num]取出一棵树
2、oob_score_，查看在袋外数据上测试结果
3、feature_importance_查看特征重要性（用zip把特征重要性和特征名连起来，易于观察哪一个特征更为重要）
四、重要接口
1、4个常用接口：apply（返回测试集中每一个样本在每一棵树中叶子节点的索引；需要画图或需要提取单独叶子节点时使用）、fit、predict（返回对测试集预测的标签）、score
2、predict_proba：
1）返回每个测试样本被分到每一类标签的概率，标签几类，返回几个
二、RandomForestClassifier（随机森林分类器）参数
1、n_estimators：森林中树木的数量
1）越大往往越好，但计算量越大，达到一定值精确性波动，一般在0-200内选
2）单个决策树准确度越高，随机森林的准确度也会越高
随机森林
一、概述
1、集成算法
1）集成算法考虑多个评估器的结果，汇总获取更好的分类、回归表现
2）三种集成算法：装袋法bagging（模型独立），提升法boosting（模型相关），stacking
3）随机森林是一种bagging集成算法
超平面：就是低于
numpy数组
1、
如何进行增维？（放到回归树中的数据必须是二维的）
1）.reshape(-1,1)
2)[:,np.newaxis]
交叉验证（)
1、观察模型稳定性的一种方法，避免测试集训练集划分导致模型不同
2、数据分为n份，依次把其中一份作为测试集，其他为训练集，交叉验证n次求平均值
3、model_selection.cross_val_score的五个参数
1）任何实例化的算法模型
2）不需划分测试集、训练集的特征矩阵
3）不需划分的完整标签
4）cv=10，做十次交叉验证，数据划分为十份，每次一份为测试集，剩下为训练集，通常选5，默认为5
5）scoring="neg_mean_squared_error"，neg_mean_squared_error负均方误差。用这个指标评估交叉验证的结果。不填，回归默认返回R平方
1、回归问题处理的是连续型变量
交叉验证（model_selection.cross_val_score)
1、观察模型稳定性的一种方法，避免测试集训练集划分导致模型不同
2、数据分为n份，依次把其中一份作为测试集，其他为训练集，交叉验证n次求平均值
1、回归问题处理的是连续型变量
回归树
一、参数、属性、接口几乎和分类树相同）
二、回归树没有标签分布均衡问题，没有class_weight
三、参数criterion差异
1、="mse"，均方误差
1）父节点和子节点均方误差的差额，本质是样本真实数据和回归结果的差异。
2）在回归树中，MSE是分枝质量衡量指标、回归树回归质量衡量指标。越小越好。
3）回归树接口score返回的是R平方，不是MSE，取值为负无穷到1，MSE总为正，sklearn中为负值
2、="friedman_mse"，费尔德曼均方误差
3、="mae"，绝对平均误差
四、目标权重参数（用的少）
控制目标权重，保持样本标签平衡（不平衡：某类标签占比大，决策树会向占比大标签偏移）
1、class_weight
1）给少量标签更多权重，参数默认None（所有标签相同权重）
2、min_weight_fraction_leaf
1）基于权重的剪枝参数，比min_samples_leaf更偏向主导类
2）样本加权使用此参数剪枝
重要接口
1、fit训练，score
2、apply测试样本叶子节点索引，predict返回测试样本分类或回归标签结果（只输入训练集特征，不需要标签y)
注：所有接口中要求输入x_test或x_train部分必须输入二维矩阵，不接受任何一维矩阵输入，若数据只有一个样本，reshape(-1,1)增维
4、max_features
1）限制分枝考虑的特征个数
2）用于高维数据，防止过拟合
3）缺点：强行设定会导致模型学习不足。
4）如果希望通过降维防止过拟合，最好使用PCA,ICA中的降维算法
5、min_impurity_decrease
1）限制信息增益的大小，信息增益小于指定数值的分枝不会发生
2）信息增益：父节点和子节点信息熵的差（子节点信息熵一定小于父节点信息熵），越大，这一层分枝对决策树贡献越大
注：
1）如何确定最优的剪枝参数？画出超参数学习曲线
2）剪枝参数不一定能提升模型在测试集上的表现