（一）集成学习上——机器学习三大任务_月牙形数据环形数据机器学习

参考：DataWhale教程链接

集成学习（上）所有Task：

（一）集成学习上——机器学习三大任务

（二）集成学习上——回归模型

（三）集成学习上——偏差与方差

（四）集成学习上——回归模型评估与超参数调优

（五）集成学习上——分类模型

（六）集成学习上——分类模型评估与超参数调优

（七）集成学习中——投票法

（八）集成学习中——bagging

（九）集成学习中——Boosting简介&AdaBoost

（十）集成学习中——GBDT

（十一）集成学习中——XgBoost、LightGBM

（十二）集成学习（下）——Blending

（十三）集成学习（下）——Stacking

（十四）集成学习（下）——幸福感预测

（十五）集成学习（下）——蒸汽量预测

1.导论

关于什么是机器学习，有监督学习、无监督学习、回归、分类的解释，参考众多，不再赘述。

参考1：DataWhale教程链接

参考2：DataWhale好文，机器学习的通俗讲解！ 也有非常棒的讲解。

在学习机器学习中，我们经常使用scikit-learn简称sklearn工具库来探索机器学习项目，下面我们开始使用sklearn来演示这几个具体的概念：

# 引入相关科学计算包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline 
plt.style.use("ggplot")      # 样式美化
import seaborn as sns

# 设置在jupyter中打印所有输出
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
1
2
3
4
5
6
7
8
9
10
11

1.1 有监督学习

1.1.1 回归

我们用sklearn内置数据集Boston房价数据集来看一下。
sklearn中所有内置数据集都封装在datasets对象内，返回的对象有：

• data:特征X的矩阵(ndarray)
• target:因变量的向量(ndarray)
• feature_names:特征名称(ndarray)

返回的对象均为ndarray，需要自己把它转换为dataframe。

from sklearn import datasets
boston = datasets.load_boston()     # 返回一个类似于字典的类
X = boston.data
y = boston.target
X.shape
y.shape
features = boston.feature_names
features
boston_data = pd.DataFrame(X,columns=features)
boston_data["Price"] = y
boston_data.head()
1
2
3
4
5
6
7
8
9
10
11

(506, 13)
(506,)
array(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD',
       'TAX', 'PTRATIO', 'B', 'LSTAT'], dtype='<U7')
1
2
3
4

sns.scatterplot(boston_data['NOX'],boston_data['Price'],color="r",alpha=0.6)# alpha 点的透明度，0透明度最高，1透明度最低。
plt.title("Price~NOX")
plt.show()
1
2
3

sns.scatterplot(boston_data['RM'],boston_data['Price'],color="r",alpha=0.6)# alpha 点的透明度，0透明度最高，1透明度最低。
plt.title("Price~RM")
plt.show()
1
2
3

我们可以从图上比较轻松的看出，特征NOX呈弱负相关，RM呈强正相关。
数据给定任务所需要的因变量，因变量为波士顿房价，Price是一个连续型变量，所以波士顿数据集为典型的回归模型数据集。

各个特征的相关解释：

• CRIM：各城镇的人均犯罪率
• ZN：规划地段超过25,000平方英尺的住宅用地比例
• INDUS：城镇非零售商业用地比例
• CHAS：是否在查尔斯河边(=1是)
• NOX：一氧化氮浓度(/千万分之一)
• RM：每个住宅的平均房间数
• AGE：1940年以前建造的自住房屋的比例
• DIS：到波士顿五个就业中心的加权距离
• RAD：放射状公路的可达性指数
• TAX：全部价值的房产税率(每1万美元)
• PTRATIO：按城镇分配的学生与教师比例
• B：1000(Bk - 0.63)^2其中Bk是每个城镇的黑人比例
• LSTAT：较低地位人口
• Price：房价

1.1.2 分类

我们再来看一个典型的分类模型数据集——鸢尾花iris数据集。

from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
X.shape
y.shape
features = iris.feature_names
features
iris_data = pd.DataFrame(X,columns=features)
iris_data['target'] = y
iris_data.head()
y[:5]
1
2
3
4
5
6
7
8
9
10
11
12

(150, 4)
(150,)
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
1
2
3
4
5
6

array([0, 0, 0, 0, 0])
1

np.unique(y)
for index,c in enumerate(np.unique(y)):
    print(index,c)
1
2
3

array([0, 1, 2])
0 0
1 1
2 2
1
2
3
4

# 可视化特征
marker = ['s','x','o']
for index,c in enumerate(np.unique(y)):
    plt.scatter(x=iris_data.loc[y==c,"sepal length (cm)"],y=iris_data.loc[y==c,"sepal width (cm)"],alpha=0.8,label=c,marker=marker[c])
plt.xlabel("sepal length (cm)")
plt.ylabel("sepal width (cm)")
plt.legend()
plt.show()
1
2
3
4
5
6
7
8

我们可以看到：每种不同的颜色和点的样式为一种类型的鸢尾花，数据集有三种不同类型的鸢尾花。因此因变量是一个类别变量，因此通过特征预测鸢尾花类别的问题是一个分类问题。

各个特征的相关解释：

• sepal length (cm)：花萼长度(厘米)

• sepal width (cm)：花萼宽度(厘米)

• petal length (cm)：花瓣长度(厘米)

• petal width (cm)：花瓣宽度(厘米)

附1：sklearn自带的数据集

附2：利用sklearn.datasets.make_classification 生成分类算法数据

sklearn.datasets.make_classification(n_samples=100, n_features=20, *, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None)
1

入参：

• n_features : 特征个数,= n_informative + n_redundant + n_repeated + (n_features-n_informative-n_redundant-n_repeated)个随机抽取的重复无用特征。
• n_informative：多信息特征的个数
• n_redundant：冗余信息，informative特征的随机线性组合
• n_repeated ：重复信息，随机提取n_informative和n_redundant 特征
• n_classes：分类类别
• clusters_per_class ：某一个类别是由几个cluster构成的

出参：

• X，[n_samples, n_features]形状的数组，代表产生的样本
• y，[n_samples]形状的数组，代表每个点的标签(类别)

x, y = datasets.make_classification(n_samples=1000,n_features=2, n_redundant=0, n_informative=2,
                             n_clusters_per_class=2)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1],s=7)
plt.show()
1
2
3
4
5

1.2 无监督学习

我们可以使用sklearn生成符合自身需求的数据集，下面我们用其中几个函数例子来生成无因变量的数据集：
https://scikit-learn.org/stable/modules/classes.html?highlight=datasets#module-sklearn.datasets

1.2.1 利用sklearn.datasets.make_blobs 生成聚类算法数据

sklearn.datasets.make_blobs(n_samples=100, n_features=2, *, centers=None, cluster_std=1.0, center_box=-10.0, 10.0, shuffle=True, random_state=None, return_centers=False)
1

入参：

• n_samples 样本数，表示产生多少个数据
• n_features 特征数，表示数据是几维
• centers 表示数据点中心，可以输入int数字，代表有多少个中心，也可以输入几个坐标（fixed center locations）
• cluster_std 表示分布的标准差

出参：

• X，[n_samples, n_features]形状的数组，代表产生的样本
• y，[n_samples]形状的数组，代表每个点的标签(类别)

# 生成符合正态分布的聚类数据
from sklearn import datasets
x, y = datasets.make_blobs(n_samples=2000, n_features=2, centers=3)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c, 0], x[y==c, 1],s=7)
plt.show()
1
2
3
4
5
6

1.2.2 利用sklearn.datasets.make_moons 生成聚类算法数据 （月牙形）

sklearn.datasets.make_moons(n_samples=100, *, shuffle=True, noise=None, random_state=None)
1

入参：

• n_samples 样本数，表示产生多少个数据
• noise 加在数据上的高斯噪声的标准差

# 生成月牙型非凸集
from sklearn import datasets
x, y = datasets.make_moons(n_samples=2000, shuffle=True,
                  noise=0.05, random_state=None)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c,0],x[y==c,1],s=7)
plt.show()
1
2
3
4
5
6
7

1.2.3 利用sklearn.datasets.make_circles 生成聚类算法数据 （环形）

sklearn.datasets.make_circles(n_samples=100, *, shuffle=True, noise=None, random_state=None, factor=0.8)
1

入参：

• n_samples 样本数，表示产生多少个数据
• noise 加在数据上的高斯噪声的标准差
• factor 内外圆之间的比例因子，介于[0,1]

from sklearn import datasets
x, y = datasets.make_circles(n_samples=2000, shuffle=True,
                  noise=0.05, random_state=None,factor=0.3)
for index,c in enumerate(np.unique(y)):
    plt.scatter(x[y==c,0],x[y==c,1],s=7)
plt.show()
1
2
3
4
5
6