kaggle | 研究生入学率预测
@Author：By Runsen
原文：https://maoli.blog.csdn.net/article/details/104439681
数据集摘要：
链接：https://www.kaggle.com/mohansacharya/graduate-admissions
名称 | Graduate Admission |
|---|---|
特征简介 | 1. GRE分数（340分）2.托福分数（120分）3.大学等级（5分）4.目的说明和推荐信（5分）5.本科GPA（满分10分）6.研究经验（0或1）7.录取几率（0到1） |
记录数 | 400 |
分析目标 | 提出问题，描述分析目标 |
分析思路及方法 | 概述分析思路及方法 |
一、简介
该数据集的灵感来自UCLA研究生数据集。考试成绩和GPA采用较旧的格式。该数据集归Mohan S Acharya所有。
数据集从印度的角度预测研究生入学率，包含几个在申请硕士课程期间被认为重要的参数。其中包括以下参数：
中文名称 | 英文名称 |
|---|---|
序列号 | Serial No. |
GRE成绩 | GRE Score |
托福成绩 | TOEFL Score |
大学等级 | University Rating |
标准操作程序 | SOP |
劳尔 | LOR |
CGPA | CGPA |
研究 | Research |
录取机会 | Chance of Admit |
在数据集中Admission_Predict.csv是数据分析的文件
二、数据读取
1、数据处理环境
Anaconda（官方网站）就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。
2、数据读取方法
在数据分析工作中，Pandas 的使用频率是很高的，一方面是因为 Pandas 提供的基础数据结构 DataFrame 与 json 的契合度很高，转换起来就很方便。
pandas库支持csv和excel的操作；使用的是pd.read_csv的函数
导入numpy,·seaborn``matplotlib和pandas读取Admission_Predict.csv`
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
df = pd.read_csv("Admission_Predict.csv",sep = ",",index_col='Serial No.')
查看df.head
查看df.info
从df.info可以看见并无缺失数据
查看df.describe
数据中的std标准差都比较小，说明数据集的离散程度影响不大，分布程度上比较集中
三、 数据预处理
1、绘制相关系数矩阵
相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。
对应特征数据，总有一些不影响是否入学的无用特征，通过绘制相关系数矩阵去除无关特征
fig,ax = plt.subplots(figsize=(10, 10))
sns.heatmap(df.corr(), ax=ax, annot=True, linewidths=0.05, fmt= '.2f',cmap="magma")
plt.show()
从Research、LOR和SOP的值看出存在很多小于0.5的相关系数，即黑块出现多的地方的特征，应该去除
特别是Research数据，可能大多数候选人都有研究经验，但是不能代表都能入研究生
相反CGPA、GRE Score和TOEFL Score相对与Research、LOR和SOP
相关系数较大，与结果可能有关系
结论：Research将成为入学机会的一个特别不重要的特征
分析Research相对应的数据分布
print("Not Having Research:",len(df[df.Research == 0]))
print("Having Research:",len(df[df.Research == 1]))
y = np.array([len(df[df.Research == 0]),len(df[df.Research == 1])])
x = ["Not Having Research","Having Research"]
plt.bar(x,y)
plt.title("Research Experience")
plt.xlabel("Canditates")
plt.ylabel("Frequency")
plt.show()
正如我们所料，在400人中Having Research: 219，219有研究经验，但是219中并不是都入选研究生
下面具体分析CGPA、GRE Score和TOEFL Score
TOEFL Score：托福成绩
y = np.array([df["TOEFL Score"].min(),df["TOEFL Score"].mean(),df["TOEFL Score"].max()])
x = ["Worst","Average","Best"]
plt.bar(x,y)
plt.title("TOEFL Scores")
plt.xlabel("Level")
plt.ylabel("TOEFL Score")
plt.show()
托福最低分为92分，托福最高分为120分。平均107.41。
2、数据分析
CGPA分数
绘制CGPA分数频率分布图
df["GRE Score"].plot(kind = 'hist',bins = 200,figsize = (6,6))
plt.title("GRE Scores")
plt.xlabel("GRE Score")
plt.ylabel("Frequency")
plt.show()
概率密度介于310和330之间。在这个范围以上是候选人脱颖而出的一个很好的特征。
plt.scatter(df["University Rating"],df.CGPA)
plt.title("CGPA Scores for University Ratings")
plt.xlabel("University Rating")
plt.ylabel("CGPA")
plt.show()
绘制了CGPA和University Rating数据分布
结论1：随着大学质量的提高，CGPA分数也随之提高。可能大学的名声越大，学生的CGPA分数越高
结论2：大学录取率为75%的考生的大学等级基本大于3
df=df.rename(columns = {'Chance of Admit ':'Chance of Admit'})
s = df[df["Chance of Admit"] >= 0.75]["University Rating"].value_counts().head(5)
plt.title("University Ratings of Candidates with an 75% acceptance chance")
s.plot(kind='bar',figsize=(20, 10))
plt.xlabel("University Rating")
plt.ylabel("Candidates")
plt.show()
结论3：GRE分数高的个体通常有较高的CGPA分数
plt.scatter(df["GRE Score"],df.CGPA)
plt.title("CGPA for GRE Scores")
plt.xlabel("GRE Score")
plt.ylabel("CGPA")
plt.show()
GRE分数高的个体中也存在有较低的CGPA分数
四、数据建模
1、scikit-learn介绍
scikit-learn(简记sklearn)，是用python实现的机器学习算法库。sklearn可以实现数据预处理、分类、回归、降维、模型选择等常用的机器学习算法。sklearn是基于NumPy, SciPy, matplotlib的。
2、划分数据集
y = df["Chance of Admit"].values
x = df.drop(["Research","LOR ","SOP","Chance of Admit"],axis=1)
# separating train (80%) and test (%20) sets
from sklearn.model_selection import train_test_split
x_train, x_test,y_train, y_test = train_test_split(x,y,test_size = 0.20,random_state = 42)
3、缩放数据
正则化方法是在训练数据不够多时，或者overtraining时，常常会导致过拟合（overfitting）。这时向原始模型引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。
只需导入sklearn.preprocessing中的MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
scalerX = MinMaxScaler(feature_range=(0, 1))
x_train[x_train.columns] = scalerX.fit_transform(x_train[x_train.columns])
x_test[x_test.columns] = scalerX.transform(x_test[x_test.columns])
4、线性模型
线性模型是一类统计模型的总称，制作方法是用一定的流程将各个环节连接起来
导入sklearn.linear_model中的LinearRegression
模型评估：在常用的回归评估指标包括：
- r2_score
- explained_variance_score
这里使用的是r2_score
R2 决定系数（拟合优度）
模型越好：r2→1
模型越差：r2→0
from sklearn.linear_model import LinearRegression
lr = LinearRegression()
lr.fit(x_train,y_train)
y_head_lr = lr.predict(x_test)
print("real value of y_test[1]: " + str(y_test[1]) + " -> the predict: " + str(lr.predict(x_test.iloc[[1],:])))
print("real value of y_test[2]: " + str(y_test[2]) + " -> the predict: " + str(lr.predict(x_test.iloc[[2],:])))
from sklearn.metrics import r2_score
print("r_square score: ", r2_score(y_test,y_head_lr))
y_head_lr_train = lr.predict(x_train)
print("r_square score (train dataset): ", r2_score(y_train,y_head_lr_train))
5、决策树
决策树常用于分类问题，但是也能解决回归问题。
sklearn.tree 导入DecisionTreeRegressor
from sklearn.tree import DecisionTreeRegressor
dtr = DecisionTreeRegressor(random_state = 42)
dtr.fit(x_train,y_train)
y_head_dtr = dtr.predict(x_test)
from sklearn.metrics import r2_score
print("r_square score: ", r2_score(y_test,y_head_dtr))
print("real value of y_test[1]: " + str(y_test[1]) + " -> the predict: " + str(dtr.predict(x_test.iloc[[1],:])))
print("real value of y_test[2]: " + str(y_test[2]) + " -> the predict: " + str(dtr.predict(x_test.iloc[[2],:])))
y_head_dtr_train = dtr.predict(x_train)
print("r_square score (train dataset): ", r2_score(y_train,y_head_dtr_train))
6、 随机森林
随机森林是指利用多棵决策树对样本进行训练并预测的一种算法。
从sklearn.ensemblei导入RandomForestRegressor
from sklearn.ensemble import RandomForestRegressor
rfr = RandomForestRegressor(n_estimators = 100, random_state = 42)
rfr.fit(x_train,y_train)
y_head_rfr = rfr.predict(x_test)
from sklearn.metrics import r2_score
print("r_square score: ", r2_score(y_test,y_head_rfr))
print("real value of y_test[1]: " + str(y_test[1]) + " -> the predict: " + str(rfr.predict(x_test.iloc[[1],:])))
print("real value of y_test[2]: " + str(y_test[2]) + " -> the predict: " + str(rfr.predict(x_test.iloc[[2],:])))
y_head_rf_train = rfr.predict(x_train)
print("r_square score (train dataset): ", r2_score(y_train,y_head_rf_train))
img
7、比较三种算法
red | （线性回归） |
|---|---|
green | （随机森林） |
blue | （回归树） |
black | （真实数据) |
red = plt.scatter(np.arange(0,80,5),y_head_lr[0:80:5],color = "red")
green = plt.scatter(np.arange(0,80,5),y_head_rfr[0:80:5],color = "green")
blue = plt.scatter(np.arange(0,80,5),y_head_dtr[0:80:5],color = "blue")
black = plt.scatter(np.arange(0,80,5),y_test[0:80:5],color = "black")
plt.title("Comparison of Regression Algorithms")
plt.xlabel("Index of Candidate")
plt.ylabel("Chance of Admit")
plt.legend((red,green,blue,black),('LR', 'RFR', 'DTR', 'REAL'))
plt.show()
从图中可以看出：线性回归是最好的回归算法。（观察谁靠近黑色的数据）
7、结论：线性回归是最好的回归算法。
五、预测数据
在数据集中有一个Admission_Predict_Ver1.1.csv文件没有Admit数据
现在使用线性回归模型来预测数据
1、读取数据
test_df =pd.read_csv("Admission_Predict_Ver1.1.csv",sep = ",",index_col='Serial No.')
2、查看数据
3、预测数据
test_x = test_df.drop(["Research","LOR ","SOP","Chance of Admit "],axis=1)
test_x[test_x.columns] = scalerX.transform(test_x[test_x.columns])
test_df['Admit']= lr.predict(test_x)
test_df.to_csv("预测结果.csv")
结果如下：
