关于机器学习大作业的探索_机器学习实验大作业

读取数据

In [27]:

import pandas as pd
import re
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")
# 让所有行和列都显示出来
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)

In [28]:

# 读取数据
train_data = pd.read_csv('/home/mw/input/MLearn9130/训练营.csv')
test_data = pd.read_csv('/home/mw/input/MLearn9130/测试集.csv')
train_data.head(10)
test_data.head()

Out[28]:

	Age 年龄	Gender 性别	Region 区域	Weight 体重	Height 身高	Body Mass Index 体重指数	Obesity 肥胖腰围	Waist 腰围	Maximum Blood Pressure 最高血压	Minimum Blood Pressure 最低血压	Good Cholesterol 好胆固醇	Bad Cholesterol 坏胆固醇	Total Cholesterol 总胆固醇	Dyslipidemia 血脂异常	PVD	Physical Activity 体育活动	Education 教育	Unmarried 未婚	Income 收入	Source of Care 护理来源	PoorVision 视力不佳	Alcohol Consumption 饮酒	HyperTension 高血压	Family HyperTension 家庭高血压	Diabetes 糖尿病	Family Diabetes 家族糖尿病	Hepatitis 肝炎	Family Hepatitis 家族肝炎	Chronic Fatigue 慢性疲劳	id
0	34	M	south	65.0	163.3	24.37	0.0	79.3	113.0	79.0	48.0	154.0	202.0	0	0	1.0	1.0	0.0	1.0	Private Hospital	0.0	0	0.0	0	0.0	0	0.0	0.0	0.0	3692
1	27	F	east	91.9	177.8	29.07	0.0	100.8	119.0	76.0	46.0	151.0	197.0	0	0	2.0	0.0	1.0	1.0	Private Hospital	0.0	0	0.0	0	0.0	0	0.0	0.0	0.0	3761
2	32	M	south	63.2	157.0	25.64	0.0	78.3	97.0	42.0	43.0	132.0	175.0	0	0	2.0	0.0	0.0	0.0	clinic	0.0	0	0.0	0	0.0	1	0.0	0.0	0.0	5670
3	20	F	west	78.2	178.3	24.60	0.0	84.6	111.0	81.0	56.0	131.0	187.0	0	0	3.0	1.0	1.0	0.0	Private Hospital	0.0	0	0.0	0	0.0	0	0.0	0.0	0.0	2478
4	67	M	east	114.7	168.0	40.64	1.0	125.5	145.0	77.0	58.0	122.0	180.0	0	0	1.0	0.0	1.0	0.0	Private Hospital	0.0	1	1.0	0	1.0	0	0.0	0.0	0.0	4107

In [29]:

# 数据处理

# 先把列名，都改成中文的，去掉英文的
old_columns = train_data.columns.tolist()
new_columns = train_data.columns.str.split(
    r'\n').str[-1].str.split('\u2028').str[-1].tolist()
columns_dic = dict(zip(old_columns, new_columns))

train_data.rename(columns=columns_dic, inplace=True)
test_data.rename(columns=columns_dic, inplace=True)
train_data.columns

Out[29]:

Index(['年龄', '性别', '区域', '体重', '身高', '体重指数', '肥胖腰围', '腰围', '最高血压', '最低血压',
       '好胆固醇', '坏胆固醇', '总胆固醇', '血脂异常', 'PVD', '体育活动', '教育', '未婚', '收入', '护理来源',
       '视力不佳', '饮酒', '高血压', '家庭高血压', '糖尿病', '家族糖尿病', '肝炎', '家族肝炎', '慢性疲劳',
       'ALF', 'id'],
      dtype='object')

In [30]:

#查看数据情况，是否有异常数据
train_data.describe()

Out[30]:

	年龄	体重	身高	体重指数	肥胖腰围	腰围	最高血压	最低血压	好胆固醇	坏胆固醇	总胆固醇	血脂异常	PVD	体育活动	教育	未婚	收入	视力不佳	饮酒	高血压	家庭高血压	糖尿病	家族糖尿病	肝炎	家族肝炎	慢性疲劳	ALF	id
count	4200.000000	4106.000000	4095.000000	4048.000000	4048.00000	4055.000000	4055.000000	4024.000000	4193.000000	4193.000000	4195.000000	4200.000000	4200.000000	4195.00000	4188.000000	3993.000000	3654.000000	3932.000000	4200.000000	4158.000000	4200.000000	4200.000000	4200.000000	4190.000000	4197.000000	4182.000000	4200.000000	4200.000000
mean	49.179048	79.027896	167.060269	28.257824	0.31250	96.796917	125.431073	71.609095	51.897687	152.192702	204.096782	0.107143	0.039762	2.02503	0.437918	0.383171	0.414614	0.061292	0.307857	0.404762	0.234524	0.103571	0.311667	0.064916	0.022635	0.030129	0.076190	3000.830238
std	18.905358	19.360576	10.177974	6.145081	0.46357	15.098074	21.168740	12.461346	15.779077	43.027503	42.674084	0.309332	0.195423	0.82208	0.496190	0.486220	0.492723	0.239896	0.461662	0.490905	0.423751	0.304740	0.463230	0.246408	0.148755	0.170963	0.265334	1741.236022
min	20.000000	33.700000	130.400000	16.030000	0.00000	58.600000	72.000000	10.000000	12.000000	42.000000	80.000000	0.000000	0.000000	1.00000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	33.000000	65.300000	159.500000	24.040000	0.00000	86.000000	111.000000	64.000000	41.000000	122.000000	176.000000	0.000000	0.000000	1.00000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	1494.750000
50%	47.000000	76.600000	166.700000	27.320000	0.00000	96.200000	122.000000	72.000000	49.000000	148.000000	200.000000	0.000000	0.000000	2.00000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	3015.500000
75%	64.000000	89.400000	174.300000	31.290000	1.00000	106.200000	136.000000	79.000000	61.000000	178.000000	230.000000	0.000000	0.000000	2.00000	1.000000	1.000000	1.000000	0.000000	1.000000	1.000000	0.000000	0.000000	1.000000	0.000000	0.000000	0.000000	0.000000	4507.000000
max	85.000000	188.300000	199.400000	62.990000	1.00000	163.600000	233.000000	132.000000	142.000000	560.000000	606.000000	1.000000	1.000000	4.00000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	5998.000000

从上面的描述看，一共有4200个数据，看起来没有非常异常的数据,但是很多列是有缺失数据的

特征增强

特征观察

In [31]:

# 把 分类的数据列 和 数值型数据列 分开

cate_columns = [
    col for col in train_data.columns if train_data[col].max() == 1]
cate_columns.extend(['性别', '区域', '体育活动', '护理来源'])
number_columns = [col for col in train_data.columns if col not in cate_columns]

In [32]:

# 数值型特征观察

for col in number_columns:
    # 确诊急性肝衰竭
    plt.hist(train_data[train_data['ALF'] == 1][col],
             bins=10, alpha=0.8, label='确诊急性肝衰竭患者')
    # 没有急性肝衰竭
    plt.hist(train_data[train_data['ALF'] == 0][col],
             bins=10, alpha=0.2, label='没有急性肝衰竭患者')
    plt.legend(loc='upper left')
    plt.xlabel(col)
    plt.ylabel('计数')
    plt.title('特征【{}】的分布图'.format(col))
    plt.show()

In [33]:

# 看分类型变量的分布情况
sns.set_palette('muted')
cate_features_columns = [x for x in cate_columns if x != 'ALF']
for col in cate_features_columns:
    # 分组后计数
    grouped = train_data[[col, 'ALF']].groupby([col, 'ALF']).size()
    # 计算每组的百分比，level=0 是针对第一级别的分类里再次计算百分比
    group_percentages = grouped.groupby(
        level=0).apply(
        lambda x: 100 *
        x /
        float(
            x.sum()))
    group_percentages.unstack().plot(kind='bar', stacked=True)

    plt.legend(loc='upper left')
    plt.xlabel(col)
    plt.ylabel('百分比')
    plt.title('特征【{}】的分布图'.format(col))
    plt.show()

从上面的分布图里有以下大致的观察：
急性肝炎患者相比非急性肝炎患者：平均年龄更大，平均身高更低，平均腰围更大，平均的最高血压更高，平均的最低血压更低，好胆固醇更少
肥胖腰围更多，患有PVD 的更多，没有收到教育的更多，已婚的更多，没有收入的更多，视力不佳的更多，饮酒的、高血压的更多，没有家庭高血压的更多，有糖尿病的更多，患有肝炎的更容易患病，有家族肝炎的，有慢性疲劳的，东部和北部的 比 西部南部的更多，体育活动更少的，更容易患病

但是有些特征 患病和不患病区别不明显，而且没有患病的用户数量较大，无法判断是 是特征与结果不相关/还是不明显

特征处理

缺失值填充,同时标准化 数值特征

看前面数值型的数据基本符合正态分布，没有非常离谱的异常数据点
所以在缺失值填充这里，数值型数据我还是选择了均值

In [34]:

# 把内容是文本的列单独拿出来
def find_object_columns(data):
    object_columns = []
    for x in data.columns:
        if data[x].dtype == 'object':
            object_columns.append(x)
    return object_columns


need_one_hot_list = find_object_columns(train_data)
cate_columns_not_need_onehot = [
    x for x in cate_columns if x not in need_one_hot_list]
cate_columns_not_need_onehot

Out[34]:

['肥胖腰围',
 '血脂异常',
 'PVD',
 '教育',
 '未婚',
 '收入',
 '视力不佳',
 '饮酒',
 '高血压',
 '家庭高血压',
 '糖尿病',
 '家族糖尿病',
 '肝炎',
 '家族肝炎',
 '慢性疲劳',
 'ALF',
 '体育活动']

In [35]:

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder

num_cate_columns = [x for x in cate_columns_not_need_onehot if x != 'ALF']

num_transformer = Pipeline([('mean_imputer', SimpleImputer(strategy='mean')),
                            ('std_Scaler', StandardScaler())])

cate_transformer = Pipeline(
    [('most_frequent_imputer', SimpleImputer(strategy='most_frequent'))])

# 处理器接收的都是ndarray
# 预处理器，这个返回的结果就是两个合并起来的类型
# 这里先处理：数值类型的列（分类列和数值列）
preprocesser = ColumnTransformer(transformers=[
    ('num', num_transformer, number_columns),
    ('cate', cate_transformer, num_cate_columns)
])

cols_transformed = number_columns + num_cate_columns

train_data_X = train_data.drop('ALF', axis=1)

train_imputed_part1 = preprocesser.fit_transform(train_data_X)
train_imputed_part1_df = pd.DataFrame(
    train_imputed_part1, columns=cols_transformed)
# 上面已经学习了train_data 的统计特性，下面应该用相同的统计特性转换测试数据，所以直接transform
test_imputed_part1 = preprocesser.transform(test_data)
test_imputed_part1_df = pd.DataFrame(
    test_imputed_part1, columns=cols_transformed)

In [36]:

# 再单独处理文字内容的列


from sklearn.preprocessing import OneHotEncoder
from sklearn.pipeline import Pipeline
from sklearn.compose import ColumnTransformer

# OneHot编码的转化器
onehot_transformer = Pipeline(steps=[
    ('onehot', OneHotEncoder(handle_unknown='ignore', sparse=False)),
])

# 定义预处理器
preprocessor_onehot = ColumnTransformer(
    transformers=[
        ('onehot', onehot_transformer, need_one_hot_list),
    ])

train_cate_columns_onehotted = preprocessor_onehot.fit_transform(train_data_X)
test_cate_columns_onehotted = preprocessor_onehot.transform(test_data)

# 获取经过 OneHotEncoder 处理的所有列名
onehot_features = preprocessor_onehot.named_transformers_[
    'onehot'][0].get_feature_names(need_one_hot_list)

train_onehotted_part2 = pd.DataFrame(
    train_cate_columns_onehotted,
    columns=onehot_features)
test_onehotted_part2 = pd.DataFrame(
    test_cate_columns_onehotted,
    columns=onehot_features)

In [37]:

test_onehotted_part2.head()

Out[37]:

	性别_F	性别_M	区域_east	区域_north	区域_south	区域_west	护理来源_	护理来源_Governament Hospital	护理来源_Never Counsulted	护理来源_Private Hospital	护理来源_clinic
0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0
1	1.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
2	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	1.0
3	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0
4	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0

In [38]:

# 把处理完的 两部分数据合并
train_data_finished_X = pd.concat(
    [train_imputed_part1_df, train_onehotted_part2], axis=1)
test_data_finished = pd.concat(
    [test_imputed_part1_df, test_onehotted_part2], axis=1)

In [39]:

train_data_finished_X.head()

Out[39]:

	年龄	体重	身高	体重指数	腰围	最高血压	最低血压	好胆固醇	坏胆固醇	总胆固醇	id	肥胖腰围	血脂异常	PVD	教育	未婚	收入	视力不佳	饮酒	高血压	家庭高血压	糖尿病	家族糖尿病	肝炎	家族肝炎	慢性疲劳	体育活动	性别_F	性别_M	区域_east	区域_north	区域_south	区域_west	护理来源_	护理来源_Governament Hospital	护理来源_Never Counsulted	护理来源_Private Hospital	护理来源_clinic
0	1.894977	-1.540613	-2.852132	-0.397510	-0.067208	2.671897	-0.623904	-0.374123	-0.888481	-1.034078	0.679006	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	2.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0
1	0.202134	1.362153	0.113421	1.474139	1.658635	0.604346	-0.213931	-0.881607	-0.353430	-0.682325	0.452129	1.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	2.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
2	1.154358	-0.121622	0.202984	-0.238361	0.526050	1.277503	-0.623904	-0.945042	-0.353430	-0.705775	-1.001609	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	4.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0
3	-0.908795	-0.403749	-0.234883	-0.327882	0.000208	-1.415122	-2.017810	0.958023	0.600358	0.959188	-0.308341	0.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	2.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
4	-1.543611	-1.490457	-0.782216	-1.380581	-1.887432	-1.126626	-1.607838	-0.881607	-1.842269	-2.183137	-1.604701	0.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	2.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0

特征选择

In [40]:

# 画热力图，看特征之间的相关性
sns.heatmap(train_data_finished_X.corr(), cmap='Blues')

Out[40]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f46e96fe908>

In [41]:

# 特征选择，只选择相关性超过0.04的特征
train_data_finished = pd.concat(
    [train_data_finished_X, train_data['ALF']], axis=1)
feature_mask = train_data_finished.corr()['ALF'].abs() > 0.04
high_related_feature = train_data_finished.columns[feature_mask]
high_related_feature
# len(feature_mask)

Out[41]:

Index(['年龄', '身高', '腰围', '最高血压', '最低血压', 'PVD', '教育', '未婚', '收入', '视力不佳', '饮酒',
       '高血压', '家庭高血压', '糖尿病', '肝炎', '慢性疲劳', '体育活动', '区域_east', '区域_south',
       '护理来源_Never Counsulted', '护理来源_Private Hospital', 'ALF'],
      dtype='object')

机器学习

寻找合适的模型和参数

In [42]:

# 空准确率
train_data_finished['ALF'].value_counts(normalize=True)

# 空准确率就达到了 92%以上，存在数据不平衡的问题

Out[42]:

0.0    0.92381
1.0    0.07619
Name: ALF, dtype: float64

In [45]:

# 我自己从训练数据里再拆出来：训练集合，和测试集合，演练一下模型的预测能力
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.metrics import f1_score, precision_score, recall_score
from imblearn.over_sampling import SMOTE

# 尝试用SMOTE 的方法生成新的样本，解决数据不平衡的问题

sm = SMOTE(random_state=2)

X_train, X_test, y_train, y_test = train_test_split(
    train_data_finished[high_related_feature], train_data_finished['ALF'], test_size=0.3, random_state=123)

X_train_res, y_train_res = sm.fit_resample(X_train, y_train)

对于不平衡的数据，F1 score 和 AUC 是两个非常常用的指标，它们同时考虑了正类和负类的情况。

F1 score 是 precision 和 recall 的调和平均，它的优点是既考虑了正类的预测准确度（precision），又考虑了正类的覆盖面（recall）
AUC 是 Receiver Operating Characteristic curve (ROC curve) 下的面积，考虑到了不同的分类阈值下模型的表现，同样是适合处理数据不平衡的指标。

In [46]:

# 然后找到最合适的模型
from sklearn.model_selection import GridSearchCV


def get_best_model_and_accuracy(
        model, params, X_train, y_train, X_test, y_test):
    grid = GridSearchCV(model,  # 要搜索的模型
                        params,  # 要尝试的参数
                        error_score=0.)  # 如果报错，结果是0
    grid.fit(X_train, y_train)  # 拟合模型和参数
    y_pre = grid.predict(X_test)
    accuracy = accuracy_score(y_test, y_pre)

    f1 = f1_score(y_test, y_pre)
    precision = precision_score(y_test, y_pre)
    recall = recall_score(y_test, y_pre)
    # 经典的性能指标
    print("Best Accuracy: {}".format(accuracy))
    # 得到最佳准确率的最佳参数
    print("Best Parameters: {}".format(grid.best_params_))
    # 拟合的平均时间（秒）
    print("Average Time to Fit (s): {}".format(
        round(grid.cv_results_['mean_fit_time'].mean(), 3)))
    # 预测的平均时间（秒）
    # 从该指标可以看出模型在真实世界的性能
    print("Average Time to Score (s): {}".format(
        round(grid.cv_results_['mean_score_time'].mean(), 3)))

    print('F1 score: ', f1)
    print('Precision: ', precision)
    print('Recall: ', recall)


from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

# 为网格搜索设置变量
# 先设置机器学习模型的参数

# 逻辑回归
lr_params = {'C': [1e-1, 1e0, 1e1, 1e2], 'penalty': ['l1', 'l2']}

# KNN
knn_params = {'n_neighbors': [1, 3, 5, 7]}

# 决策树
tree_params = {'max_depth': [None, 1, 3, 5, 7]}

# 随机森林
forest_params = {'n_estimators': [10, 50, 100],
                 'max_depth': [None, 1, 3, 5, 7]}


# 实例化机器学习模型
lr = LogisticRegression()
knn = KNeighborsClassifier()
d_tree = DecisionTreeClassifier()
forest = RandomForestClassifier()

In [52]:

get_best_model_and_accuracy(
    lr,
    lr_params,
    X_train_res,
    y_train_res,
    X_test,
    y_test)

Best Accuracy: 1.0
Best Parameters: {'C': 0.1, 'penalty': 'l2'}
Average Time to Fit (s): 0.349
Average Time to Score (s): 0.011
F1 score:  1.0
Precision:  1.0
Recall:  1.0

F1得分：F1得分是一个介于0和1之间的数，接近1意味着模型表现良好，接近0则表示表现差。F1得分是精确度和召回率的调和均值，试图平衡这两者。在你的结果中，F1得分是0.04255，这是一个相当低的分数，表明模型的精确度和召回率都较低。

精确度(Precision)：精确度是指模型预测为正类的样本中真正为正类的比例。在你的结果中，精确度是0.4，表示40%的被模型预测为正类的样本实际上是正类。

召回率(Recall)：召回率是指模型正确预测的正类样本占总的正类样本的比例。在你的结果中，召回率是0.02247，这意味着只有约2.25% 的实际正类被模型正确地预测为正类。

In [48]:

get_best_model_and_accuracy(
    knn,
    knn_params,
    X_train_res,
    y_train_res,
    X_test,
    y_test)

Best Accuracy: 0.9587301587301588
Best Parameters: {'n_neighbors': 1}
Average Time to Fit (s): 0.004
Average Time to Score (s): 0.385
F1 score:  0.7263157894736842
Precision:  0.6831683168316832
Recall:  0.7752808988764045

In [49]:

get_best_model_and_accuracy(
    d_tree,
    tree_params,
    X_train_res,
    y_train_res,
    X_test,
    y_test)

Best Accuracy: 1.0
Best Parameters: {'max_depth': None}
Average Time to Fit (s): 0.006
Average Time to Score (s): 0.002
F1 score:  1.0
Precision:  1.0
Recall:  1.0

In [50]:

get_best_model_and_accuracy(
    forest,
    forest_params,
    X_train_res,
    y_train_res,
    X_test,
    y_test)

Best Accuracy: 1.0
Best Parameters: {'max_depth': None, 'n_estimators': 50}
Average Time to Fit (s): 0.115
Average Time to Score (s): 0.008
F1 score:  1.0
Precision:  1.0
Recall:  1.0

这次看起来，knn模型可以更好的解决过拟合的问题，用knn模型继续看

In [60]:

high_related_feature

Out[60]:

Index(['年龄', '身高', '腰围', '最高血压', '最低血压', 'PVD', '教育', '未婚', '收入', '视力不佳', '饮酒',
       '高血压', '家庭高血压', '糖尿病', '肝炎', '慢性疲劳', '体育活动', '区域_east', '区域_south',
       '护理来源_Never Counsulted', '护理来源_Private Hospital', 'ALF'],
      dtype='object')

In [65]:

# 用交叉验证的方式看 knn 模型的表现情况
from sklearn.model_selection import cross_val_score
from sklearn.metrics import make_scorer, f1_score, recall_score


high_related_feature = [i for i in high_related_feature if i != 'ALF']
X_train_res_all, y_train_res_all = sm.fit_resample(
    train_data_finished[high_related_feature], train_data['ALF'])

test_imputed_test = test_data_finished[high_related_feature]
model = KNeighborsClassifier(n_neighbors=1)

f1 = cross_val_score(
    model,
    X_train_res_all,
    y_train_res_all,
    cv=5,
    scoring=make_scorer(
        f1_score,
        average='macro'))
recall = cross_val_score(
    model,
    X_train_res_all,
    y_train_res_all,
    cv=5,
    scoring=make_scorer(
        recall_score,
        average='macro'))

print("f1: ", f1)

# 输出平均准确性
print("recall ", recall)

f1:  [0.9398706  0.93399325 0.9228865  0.93661314 0.9398706 ]
recall  [0.94007732 0.93427835 0.92332474 0.93685567 0.94007732]

模型训练，输出预测结果

In [72]:

# 用knn 模型做预测模型

# 对训练集的所有数据做重采样

model.fit(X_train_res_all, y_train_res_all)

result_y = model.predict(test_data_finished[high_related_feature])

In [73]:

# 结果写入csv文件
result = pd.concat([test_data['id'], pd.DataFrame(
    result_y, columns=['ALF'])], axis=1)
result.to_csv('logistic_test1.csv', encoding='utf-8', index=False)