基于6种监督学习（逻辑回归+决策树+随机森林+SVM+朴素贝叶斯+神经网络）的毒蘑菇分类

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

本文是kaggle案例分享的第3篇，赛题的名称是：Mushroom Classification，Safe to eat or deadly poison?

数据来自UCI：https://archive.ics.uci.edu/ml/datasets/mushroom

kaggle源码地址：https://www.kaggle.com/nirajvermafcb/comparing-various-ml-models-roc-curve-comparison

排名

下面是kaggle上针对本题的排名。第一名侧重点是特征选择，没有用到本题的数据，我个人感觉跑偏了；第二名侧重点是基于贝叶斯理论的分类，能力有限，贝叶斯这块学习好了专门再说。

所以，选择了第三名的notebook源码来学习。作者将6种监督学习的方法在本数据集上的建模、模型评估等过程进行了比较。

数据集

这份数据集是UCI捐献给kaggle的。总样本数为8124，其中6513个样本做训练，1611个样本做测试；并且，其中可食用有4208样本，占51.8%；有毒的样本为3916，占48.2%。每个样本描述了蘑菇的22个属性，比如形状、气味等。

误食野生蘑菇中毒事件时有发生，且蘑菇形态千差万别，对于非专业人士，无法从外观、形态、颜色等方面区分有毒蘑菇与可食用蘑菇，没有一个简单的标准能够将有毒蘑菇和可食用蘑菇区分开来。要了解蘑菇是否可食用，必须采集具有不同特征属性的蘑菇是否有毒进行分析。

对蘑菇的22种特征属性进行分析，从而得到蘑菇可使用性模型，更好的预测出蘑菇是否可食用。

下面是UCI显示的具体数据信息：

属性特征的解释：

数据EDA

导入数据

import pandas as pd
import numpy as npimport plotly_express as px
from matplotlib import pyplot as plt
import seaborn as sns# 忽略警告
import warnings
warnings.filterwarnings('ignore')

原始数据有8124条记录，23个属性；并且不存在缺失值

有无毒对比

统计有毒和无毒的数量对比：

可视化分析

菌盖颜色

首先我们讨论下菌盖的颜色：每种菌盖颜色的次数

fig = px.bar(cap,x="color",y="number",color="number",text="number",color_continuous_scale="rainbow")# fig.update_layout(text_position="outside")
fig.show()

到底有毒的蘑菇是哪几种颜色较多了？统计有毒和无毒下的颜色分布：

 fig = px.bar(cap_class,x="color",y="number",color="class",text="number",barmode="group",)fig.show()

小结：颜色n、g、e在有毒p情况是比较多的。

菌的气味

统计每种气味的数量：

fig = px.bar(odor,x="odor",y="number",color="number",text="number",color_continuous_scale="rainbow")fig.show()

上面是针对整体数据的情况，下面分有毒和无毒来继续讨论：

 fig = px.bar(odor_class,x="odor",y="number",color="class",text="number",barmode="group",)fig.show()

小结：从上面的两张图中，我们看出来：f这种气味是最容易造成有毒

特征相关性

将特征之间的相关性系数绘制成热力图，查看分布情况：

corr = data.corr()
sns.heatmap(corr)plt.show()

特征工程

特征转换

原数据中的特征都是文本类型，我们将其转成数值型，方便后续分析：

1、转换前

2、实施转换

from sklearn.preprocessing import LabelEncoder  # 类型编码
labelencoder = LabelEncoder()for col in data.columns:data[col] = labelencoder.fit_transform(data[col])# 转换后
data.head()

3、查看部分属性的转换结果

数据分布

查看数据转换编码后的数据分布情况：

ax = sns.boxplot(x='class', y='stalk-color-above-ring',data=data)ax = sns.stripplot(x="class", y='stalk-color-above-ring',data=data, jitter=True,edgecolor="gray")plt.title("Class w.r.t stalkcolor above ring",fontsize=12)plt.show()

分离特征和标签

X = data.iloc[:,1:23]  # 特征
y = data.iloc[:, 0]  # 标签

数据标准化

# 归一化（Normalization）、标准化（Standardization）from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)
X

主成分分析PCA

PCA过程

原始数据中22个属性可能并不是特征都是有效数据，或者说某些属性本身就存在一定的关系，造成了特征属性的重叠。我们采用主成分分析，先找出关键的特征：

# 1、实施pca
from sklearn.decomposition import PCA
pca = PCA()
pca.fit_transform(X)# 2、得到相关系数
covariance = pca.get_covariance()# 3、得到每个变量对应的方差值
explained_variance=pca.explained_variance_
explained_variance

通过绘图来展示每个主成分的得分关系：

with plt.style.context("dark_background"):  # 背景plt.figure(figsize=(6,4))  # 大小plt.bar(range(22),  # 主成分个数explained_variance,  # 方差值alpha=0.5,  # 透明度align="center",label="individual explained variance"  # 标签)plt.ylabel('Explained variance ratio')  # 轴名称和图例plt.xlabel('Principal components')plt.legend(loc="best")plt.tight_layout()  # 自动调整子图参数

结论：从上面的图形中看出来最后的4个主成分方差之和很小；前面的17个占据了90%以上的方差，可作为主成分。

We can see that the last 4 components has less amount of variance of the data.The 1st 17 components retains more than 90% of the data.

2个主成分下的数据分布

然后我们利用基于2个属性的数据来实施K-means聚类：

1、2个主成分下的原始数据分布

N = data.values
pca = PCA(n_components=2)
x = pca.fit_transform(N)plt.figure(figsize=(5,5))
plt.scatter(x[:,0],x[:,1])
plt.show()

2、实施聚类建模后的分布：

from sklearn.cluster import KMeans
km = KMeans(n_clusters=2,random_state=5)N = data.values  # numpy数组形式
X_clustered = km.fit_predict(N)  # 建模结果0-1label_color_map = {0:"g",  # 分类结果只有0和1，进行打标1:"y"}
label_color = [label_color_map[l] for l in X_clustered]plt.figure(figsize=(5,5))
# x = pca.fit_transform(N)
plt.scatter(x[:,0],x[:,1], c=label_color)
plt.show()

基于17主成分下的建模

这个地方自己也没有看懂：总共是22个属性，上面选取了4个特征，为什么这里是基于17个主成分的分析？？

先做了基于17个主成分的转换：

数据集的划分：训练集和测试集占比为8-2

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=4)

下面开始是6种监督学习方法的具体过程：

模型1：逻辑回归

from sklearn.linear_model import LogisticRegression  # 逻辑回归（分类）
from sklearn.model_selection import cross_val_score  # 交叉验证得分
from sklearn import metrics  # 模型评价# 建立模型
model_LR = LogisticRegression()
model_LR.fit(X_train, y_train)

查看具体的预测效果：

model_LR.score(X_test,y_pred)# 结果
1.0  # 效果很好

逻辑回归下的混淆矩阵：

confusion_matrix = metrics.confusion_matrix(y_test, y_pred)
confusion_matrix# 结果
array([[815,  30],[ 36, 744]])

具体的auc值：

auc_roc = metrics.roc_auc_score(y_test, y_pred)  # 测试纸和预测值
auc_roc# 结果
0.9591715976331362

真假阳性

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate,thresholds = roc_curve(y_test, y_prob)roc_auc = auc(false_positive_rate,true_positive_rate)
roc_auc# 结果
0.9903474434835382

ROC曲线

import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title("ROC")  # Receiver Operating Characteristic
plt.plot(false_positive_rate,true_positive_rate,color="red",label="AUC = %0.2f"%roc_auc)plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle="--")
plt.axis("tight")
# 真阳性：预测类别为1的positive；预测正确True
plt.ylabel("True Positive Rate")
# 假阳性：预测类别为1的positive；预测错误False
plt.xlabel("False Positive Rate")

下面是对逻辑回归模型进行校正。这里的校正主要就是采取网格搜索的方法来选取最佳的参数，然后进行下一步的建模。网格搜索的过程：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
from sklearn import metrics# 未优化的模型
LR_model= LogisticRegression()
# 待确定的参数
tuned_parameters = {"C":[0.001,0.01,0.1,1,10,100,1000],"penalty":['l1','l2']  # 选择不同的正则方式，防止过拟合}
# 网格搜索模块
from sklearn.model_selection import GridSearchCV
# 加入网格搜索功能
LR = GridSearchCV(LR_model, tuned_parameters,cv=10)
# 搜索之后再建模
LR.fit(X_train, y_train)# 确定参数
print(LR.best_params_){'C': 100, 'penalty': 'l2'}

查看优化后的预测情况：

混淆矩阵和AUC情况：

ROC曲线情况：

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)#roc_auc = auc(false_positive_rate, true_positive_rate)import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title("ROC")  # Receiver Operating Characteristic
plt.plot(false_positive_rate,true_positive_rate,color="red",label="AUC = %0.2f"%roc_auc)plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle="--")
plt.axis("tight")
# 真阳性：预测类别为1的positive；预测正确True
plt.ylabel("True Positive Rate")
# 假阳性：预测类别为1的positive；预测错误False
plt.xlabel("False Positive Rate")

模型2：高斯朴素贝叶斯

建模

from sklearn.naive_bayes import GaussianNB
model_naive = GaussianNB()# 建模
model_naive.fit(X_train, y_train)# 预测概率
y_prob = model_naive.predict_proba(X_test)[:,1]
y_pred = np.where(y_prob > 0.5,1,0)
model_naive.score(X_test,y_pred)# 结果
1

预测值和真实值不等的数量：111个

交叉验证

scores = cross_val_score(model_naive,X,y,cv=10,scoring="accuracy")
scores

混淆矩阵和AUC

真假阳性

# 导入评价模块
from sklearn.metrics import roc_curve, auc# 评价指标
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)# roc曲线面积
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc# 结果
0.9592201486876043

ROC曲线

AUC的值才0.96

# 绘图
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))plt.title("ROC")
plt.plot(false_positive_rate,true_positive_rate,color="red",label="AUC=%0.2f"%roc_auc)plt.legend(loc="lower right")
plt.plot([0,1],[0,1],linestyle='--')plt.axis("tight")
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

模型3：支持向量机SVM

默认参数下的支持向量机过程

建模过程

from sklearn.svm import SVC
svm_model = SVC()tuned_parameters = {'C': [1, 10, 100,500, 1000],'kernel': ['linear','rbf'],'C': [1, 10, 100,500, 1000], 'gamma': [1,0.1,0.01,0.001, 0.0001], 'kernel': ['rbf']
}

随机网格搜索-RandomizedSearchCV

from sklearn.model_selection import RandomizedSearchCV# 建立随机搜索模型
model_svm = RandomizedSearchCV(svm_model,  # 待搜索模型tuned_parameters,  # 参数cv=10,  # 10折交叉验证scoring="accuracy",  # 评分标准n_iter=20  # 迭代次数)# 训练模型
model_svm.fit(X_train,y_train)

RandomizedSearchCV(cv=10, estimator=SVC(), n_iter=20,param_distributions={'C': [1, 10, 100, 500, 1000],'gamma': [1, 0.1, 0.01, 0.001, 0.0001],'kernel': ['rbf']},scoring='accuracy')

# 最佳得分效果
print(model_svm.best_score_)
1.0

得分最佳匹配参数：

# 预测
y_pred = model_svm.predict(X_test)# 预测值和原始标签值计算：分类准确率
metrics.accuracy_score(y_pred, y_test)
# 结果
1

混淆矩阵

查看具体的混淆矩阵和预测情况：

ROC曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_pred)
roc_auc = auc(false_positive_rate, true_positive_rate)import matplotlib.pyplot as pltplt.figure(figsize=(10,10))
plt.title('ROC')plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')

模型5：随机森林

建模拟合

from sklearn.ensemble import RandomForestClassifier# 建模
model_RR = RandomForestClassifier()
# 拟合
model_RR.fit(X_train, y_train)

预测得分

混淆矩阵

ROC曲线

from sklearn.metrics import roc_curve, aucfalse_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc  # 1import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()

模型6：决策树（CART）

建模

from sklearn.tree import DecisionTreeClassifier# 建模
model_tree = DecisionTreeClassifier()
model_tree.fit(X_train, y_train)# 预测
y_prob = model_tree.predict_proba(X_test)[:,1]# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
model_tree.score(X_test, y_pred)
# 结果
1

混淆矩阵

各种评价指标的体现：

ROC曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc  # 1import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))  # 画布
plt.title('ROC')  # 标题plt.plot(false_positive_rate,  # 绘图true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)  plt.legend(loc = 'lower right') #  图例位置
plt.plot([0, 1], [0, 1],linestyle='--')  # 正比例直线plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

模型6：神经网络ANN

建模

混淆矩阵

ROC曲线

 # 真假阳性
from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc  # 1# 绘制ROC曲线import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')
plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')plt.axis('tight')
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.show()

下面对神经网络的参数进行调优：

hidden_layer_sizes：隐藏层个数
activation：激活函数
alpha：学习率
max_iter：最大迭代次数

网格搜索

from sklearn.neural_network import MLPClassifier# 实例化
mlp_model = MLPClassifier()
# 待调节参数
tuned_parameters={'hidden_layer_sizes': range(1,200,10),'activation': ['tanh','logistic','relu'],'alpha':[0.0001,0.001,0.01,0.1,1,10],'max_iter': range(50,200,50)
}model_mlp= RandomizedSearchCV(mlp_model,tuned_parameters,cv=10,scoring='accuracy',n_iter=5,n_jobs= -1,random_state=5)
model_mlp.fit(X_train,y_train)

模型属性

调优之后的模型属性情况以及合适的参数：

ROC曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)
roc_auc  # 1import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')plt.plot(false_positive_rate,true_positive_rate, color='red',label = 'AUC = %0.2f' % roc_auc)plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

混淆矩阵和ROC

这是一篇很好的文章来解释混淆矩阵和ROC：https://www.cnblogs.com/wuliytTaotao/p/9285227.html

1、什么是混淆矩阵？

2、4大指标

TP、FP、TN、FN，第二个字母表示样本被预测的类别，第一个字母表示样本的预测类别与真实类别是否一致。

3、准确率

4、精准率和召回率

5、F_1和F_B

6、ROC曲线

AUC全称为Area Under Curve，表示一条曲线下面的面积，ROC曲线的AUC值可以用来对模型进行评价。ROC曲线如图 1 所示：

总结

看完这篇notebook源码，你需要掌握的知识点：

机器学习建模整体思路：选择模型、建模、网格搜索调参、模型评估、ROC曲线（分类）
特征工程的技术：编码转换、数据标准化、数据集划分
评价指标：混淆矩阵、ROC曲线作为重点，后续有文章专门讲解

预告：后面Peter自己会专门写一篇来对这份数据进行建模分析，纯原创的思路，期待下~