标签:信用卡 GridSearchCV 分类器 违约 参数 数据挖掘 import 最优 sklearn
在数据挖掘过程中,如何选择分类器,如何优化分类器的参数是核心问题。对于一个新的项目,我们还有其他的问题需要了解,比如掌握数据探索和数据可视化的方式,还需要对数据的完整性和质量做评估。
目标:
- 创建各种分类器,包括 SVM、决策树、KNN 分类器,以及随机森林分类器;
- 掌握 GridSearchCV 工具,优化算法模型的参数;
- 使用 Pipeline 管道机制进行流水线作业。
构建随机森林分类器
随机森林的英文是 Random Forest,英文简写是 RF。它实际上是一个包含多个决策树的分类器,每一个子分类器都是一棵 CART 分类回归树。所以随机森林既可以做分类,又可以做回归。当它做分类的时候,输出结果是每个子分类器的分类结果中最多的那个。可以理解是每个分类器都做投票,取投票最多的那个结果。当它做回归的时候,输出结果是每棵 CART 树的回归结果的平均值。
在 sklearn 中,使用 RandomForestClassifier() 构造随机森林模型,函数里有一些常用的构造参数:
n_estimators | 随机森林中决策树的个数,默认是10 |
criterion | 决策树分裂的标准,默认是基尼指数(CART) |
max_depth | 决策树的最大深度,默认None |
n_jobs | 拟合和预测的时候,CPU的核数,默认1 |
当我们创建好之后,就可以使用 fit 函数拟合,使用 predict 函数预测。
使用 GridSearchCV 工具对模型参数进行调优
在做分类算法的时候,我们需要经常调节网络参数(对应上面的构造参数),目的是得到更好的分类结果。实际上一个分类算法有很多参数,取值范围也比较广,那么该如何调优呢?
Python 给我们提供了一个很好用的工具 GridSearchCV,它是 Python 的参数自动搜索模块。我们只要告诉它想要调优的参数有哪些以及参数的取值范围,它就会把所有的情况都跑一遍,然后告诉我们哪个参数是最优的,结果如何。
使用 GridSearchCV 模块需要先引用工具包,方法如下:
from sklearn.model_selection import GridSearchCV
然后我们使用 GridSearchCV(estimator, param_grid, cv=None, scoring=None) 构造参数的自动搜索模块,这里有一些主要的参数需要说明下:
estimator | 代表我们想要采用的分类器,比如随机森林,SVM,kNN等 |
param_grid | 代表我们想要优化的参数及取值,输入字典或列表 |
cv | 交叉验证的折数,默认是None,代表三折交叉验证 |
scoring | 准确度评价标准,默认None,也就是使用score函数 |
构造完 GridSearchCV 之后,我们就可以使用 fit 函数拟合训练,使用 predict 函数预测,这时预测采用的是最优参数情况下的分类器。
这里举一个简单的例子,我们用 sklearn 自带的 IRIS 数据集,采用随机森林对 IRIS 数据分类。假设我们想知道 n_estimators 在 1-10 的范围内取哪个值的分类结果最好,可以编写代码:
# 使用 RandomForest 对 IRIS 数据集进行分类 # 利用 GridSearchCV 寻找最优参数 from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV from sklearn.datasets import load_iris rf = RandomForestClassifier() parameters = {"n_estimators": range(1,11)} iris = load_iris() # 使用 GridSearchCV 进行参数调优 clf = GridSearchCV(estimator=rf, param_grid=parameters) # 对 iris 数据集进行分类 clf.fit(iris.data, iris.target) print(" 最优分数: %.4lf" %clf.best_score_) print(" 最优参数:", clf.best_params_) 运行结果如下: 最优分数: 0.9667 最优参数: {'n_estimators': 6}
可以看到当我们采用随机森林作为分类器的时候,最优准确率是 0.9667,当 n_estimators=6 的时候,是最优参数,也就是随机森林一共有 6 个子决策树。
使用 Pipeline 管道机制进行流水线作业
做分类的时候往往都是有步骤的,比如先对数据进行规范化处理,你也可以用 PCA 方法(一种常用的降维方法)对数据降维,最后使用分类器分类。
Python 有一种 Pipeline 管道机制。管道机制就是让我们把每一步都按顺序列下来,从而创建 Pipeline 流水线作业。每一步都采用 (‘名称’, 步骤) 的方式来表示。
我们需要先采用 StandardScaler 方法对数据规范化,即采用数据规范化为均值为 0,方差为 1 的正态分布,然后采用 PCA 方法对数据进行降维,最后采用随机森林进行分类。
from sklearn.model_selection import GridSearchCV pipeline = Pipeline([ ('scaler', StandardScaler()), ('pca', PCA()), ('randomforestclassifier', RandomForestClassifier()) ])
我们现在采用 Pipeline 管道机制,用随机森林对 IRIS 数据集做一下分类。先用 StandardScaler 方法对数据规范化,然后再用随机森林分类,编写代码如下:
# 使用 RandomForest 对 IRIS 数据集进行分类 # 利用 GridSearchCV 寻找最优参数, 使用 Pipeline 进行流水作业 from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline rf = RandomForestClassifier() parameters = {"randomforestclassifier__n_estimators": range(1,11)} iris = load_iris() pipeline = Pipeline([ ('scaler', StandardScaler()), ('randomforestclassifier', rf) ]) # 使用 GridSearchCV 进行参数调优 clf = GridSearchCV(estimator=pipeline, param_grid=parameters) # 对 iris 数据集进行分类 clf.fit(iris.data, iris.target) print(" 最优分数: %.4lf" %clf.best_score_) print(" 最优参数:", clf.best_params_) 运行结果: 最优分数: 0.9667 最优参数: {'randomforestclassifier__n_estimators': 9}
可以看到是否采用数据规范化对结果还是有一些影响的,有了 GridSearchCV 和 Pipeline 这两个工具之后,我们在使用分类器的时候就会方便很多。
对信用卡违约率进行分析
我们现在来做一个信用卡违约率的项目,这个数据集你可以从 GitHub 上下载:https://github.com/cystanford/credit_default
这个数据集是台湾某银行 2005 年 4 月到 9 月的信用卡数据,数据集一共包括 25 个字段,具体含义如下:
字段 | 含义 |
ID | 客户ID |
LIMIT_BAL | 可透支金额 |
SEX | 性别 |
EDUCATION | 教育程度 |
MARRIAGE | 婚姻状况 |
AGE | 年龄 |
PAY_0 | 2005年9月份还款情况 |
PAY_2 | 2005年8月份还款情况 |
PAY_3 | 2005年7月份还款情况 |
PAY_4 | 2005年6月份还款情况 |
PAY_5 | 2005年5月份还款情况 |
PAY_6 | 2005年4月份还款情况 |
BILL_AMT1 | 2005年9月客户每月账单金额 |
BILL_AMT2 | 2005年8月客户每月账单金额 |
BILL_AMT3 | 2005年7月客户每月账单金额 |
BILL_AMT4 | 2005年6月客户每月账单金额 |
BILL_AMT5 | 2005年5月客户每月账单金额 |
BILL_AMT6 | 2005年4月客户每月账单金额 |
PAY_AMT1 | 2005年9月客户每月还款金额 |
PAY_AMT2 | 2005年8月客户每月还款金额 |
PAY_AMT3 | 2005年7月客户每月还款金额 |
PAY_AMT4 | 2005年6月客户每月还款金额 |
PAY_AMT5 | 2005年5月客户每月还款金额 |
PAY_AMT6 | 2005年4月客户每月还款金额 |
default.payment.next.month | 下个月是否违约 |
现在我们的目标是要针对这个数据集构建一个分析信用卡违约率的分类器。具体选择哪个分类器,以及分类器的参数如何优化,我们可以用 GridSearchCV 这个工具跑一遍。
项目流程:
- 数据获取
- 数据探索、数据规范化、数据集划分
- 模型创建、模型训练、模型评估
基于上面的流程,具体代码如下:
# 信用卡违约率分析 import pandas as pd from sklearn.model_selection import learning_curve, train_test_split,GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline from sklearn.metrics import accuracy_score from sklearn.svm import SVC from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.neighbors import KNeighborsClassifier from matplotlib import pyplot as plt import seaborn as sns # 数据加载 data = data = pd.read_csv('./UCI_Credit_Card.csv') # 数据探索 print(data.shape) # 查看数据集大小 print(data.describe()) # 数据集概览 # 查看下一个月违约率的情况 next_month = data['default.payment.next.month'].value_counts() print(next_month) df = pd.DataFrame({'default.payment.next.month': next_month.index,'values': next_month.values}) plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签 plt.figure(figsize = (6,6)) plt.title('信用卡违约率客户\n (违约:1,守约:0)') sns.set_color_codes("pastel") sns.barplot(x = 'default.payment.next.month', y="values", data=df) locs, labels = plt.xticks() plt.show() # 特征选择,去掉 ID 字段、最后一个结果字段即可 data.drop(['ID'], inplace=True, axis =1) #ID 这个字段没有用 target = data['default.payment.next.month'].values columns = data.columns.tolist() columns.remove('default.payment.next.month') features = data[columns].values # 30% 作为测试集,其余作为训练集 train_x, test_x, train_y, test_y = train_test_split(features, target, test_size=0.30, stratify = target, random_state = 1) # 构造各种分类器 classifiers = [ SVC(random_state = 1, kernel = 'rbf'), DecisionTreeClassifier(random_state = 1, criterion = 'gini'), RandomForestClassifier(random_state = 1, criterion = 'gini'), KNeighborsClassifier(metric = 'minkowski'), ] # 分类器名称 classifier_names = [ 'svc', 'decisiontreeclassifier', 'randomforestclassifier', 'kneighborsclassifier', ] # 分类器参数 classifier_param_grid = [ {'svc__C':[1], 'svc__gamma':[0.01]}, {'decisiontreeclassifier__max_depth':[6,9,11]}, {'randomforestclassifier__n_estimators':[3,5,6]} , {'kneighborsclassifier__n_neighbors':[4,6,8]}, ] # 对具体的分类器进行 GridSearchCV 参数调优 def GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, param_grid, score = 'accuracy'): response = {} gridsearch = GridSearchCV(estimator = pipeline, param_grid = param_grid, scoring = score) # 寻找最优的参数 和最优的准确率分数 search = gridsearch.fit(train_x, train_y) print("GridSearch 最优参数:", search.best_params_) print("GridSearch 最优分数: %0.4lf" %search.best_score_) predict_y = gridsearch.predict(test_x) print(" 准确率 %0.4lf" %accuracy_score(test_y, predict_y)) response['predict_y'] = predict_y response['accuracy_score'] = accuracy_score(test_y,predict_y) return response for model, model_name, model_param_grid in zip(classifiers, classifier_names, classifier_param_grid): pipeline = Pipeline([ ('scaler', StandardScaler()), (model_name, model) ]) result = GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, model_param_grid , score = 'accuracy')
运行结果: (30000, 25) ID ... default.payment.next.month count 30000.000000 ... 30000.000000 mean 15000.500000 ... 0.221200 std 8660.398374 ... 0.415062 min 1.000000 ... 0.000000 25% 7500.750000 ... 0.000000 50% 15000.500000 ... 0.000000 75% 22500.250000 ... 0.000000 max 30000.000000 ... 1.000000 [8 rows x 25 columns] GridSearch 最优参数: {'svc__C': 1, 'svc__gamma': 0.01} GridSearch 最优分数: 0.8174 准确率 0.8172 GridSearch 最优参数: {'decisiontreeclassifier__max_depth': 6} GridSearch 最优分数: 0.8186 准确率 0.8113 GridSearch 最优参数: {'randomforestclassifier__n_estimators': 6} GridSearch 最优分数: 0.7998 准确率 0.7994 GridSearch 最优参数: {'kneighborsclassifier__n_neighbors': 8} GridSearch 最优分数: 0.8040 准确率 0.8036
从结果中,我们能看到 SVM 分类器的准确率最高,测试准确率为 0.8172。
在决策树分类中,我设置了 3 种最大深度,当最大深度 =6 时结果最优,测试准确率为 0.8113;在随机森林分类中,我设置了 3 个决策树个数的取值,取值为 6 时结果最优,测试准确率为 0.7994;在 KNN 分类中,我设置了 3 个 n 的取值,取值为 8 时结果最优,测试准确率为 0.8036。
总结
很多时候,我们不知道该采用哪种分类算法更适合。即便是对于一种分类算法,也有很多参数可以调优,每个参数都有一定的取值范围。我们可以把想要采用的分类器,以及这些参数的取值范围都设置到数组里,然后使用 GridSearchCV 工具进行调优。
标签:信用卡,GridSearchCV,分类器,违约,参数,数据挖掘,import,最优,sklearn 来源: https://www.cnblogs.com/waterr/p/14040180.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。