上一节我们了解了 SVM 的原理,今天就来带你进行 SVM 的实战。
SVM 是有监督的学习模型,就是说我们需要先对数据打上标签,之后通过求解最大分类间隔来求解二分类问题,而对于多分类问题,可以组合多个 SVM 分类器来处理。
其实在工具 sklearn 中,已经封装了多种 SVM 模型,这里我们重点介绍下 SVC,该模型既可以训练线性可分的数据,也可以训练线性不可分数据。
from sklearn.svm import SVC
相关参数
参数名 | 含义 |
---|---|
C | 惩罚系数,默认为1.0。当 C 越大时,分类器的准确性越高,但是泛化能力越低。反之,泛化能力强,但是准确性会降低。 |
kernel | 核函数类型,默认为 rbf。主要的核函数类型如下:liner:线性核函数,在数据为线性可分的情况下使用poly:多项式核函数,可以将数据从低维空间映射到高维空间,但是参数较多,计算量大rbf:高斯核函数,同样可以将数据从低维空间映射到高维空间,相比 poly,参数较少,通用性较好sigmoid:当使用 sigmoid 核函数时,SVM 实现的是一个多层神经网络 |
gamma | 核函数系数,默认为样本特征数的倒数,即 gamma = 1/ n_features |
max_iter | 最大迭代次数,默认为-1,不做限制 |
class_weight | 类别权重,dict 类型或 str 类型,可选参数,默认为 None。如果给定参数'balance',则使用 y 的值自动调整为与输入数据中的类频率成反比的权重。 |
本例子使用的数据可以在这里下载
https://github.com/zhouwei713/DataAnalyse/tree/master/SVM
我们先来加载数据,查看下数据情况
import pandas as pd
breast = pd.read_csv('breast_data.csv')
breast.head()
数据集的字段比较多,我整理了一个表格
我们要预测的标签就是字段 diagnosis,是一个二分类的问题。
除去 id 和 diagnosis 字段,还有30个字段,它们都是某些特征的平均值、方差值和最大值,所以真实的特征是10个,每个特征存在3个维度的数据。
breast.isnull().sum() # 查看缺失值
>>>
id 0
diagnosis 0
radius_mean 0
texture_mean 0
perimeter_mean 0
area_mean 0
smoothness_mean 0
compactness_mean 0
concavity_mean 0
concave points_mean 0
symmetry_mean 0
fractal_dimension_mean 0
radius_se 0
texture_se 0
perimeter_se 0
area_se 0
smoothness_se 0
compactness_se 0
concavity_se 0
concave points_se 0
symmetry_se 0
fractal_dimension_se 0
radius_worst 0
texture_worst 0
perimeter_worst 0
area_worst 0
smoothness_worst 0
compactness_worst 0
concavity_worst 0
concave points_worst 0
symmetry_worst 0
fractal_dimension_worst 0
dtype: int64
数据集很完整,并没有缺失值
print(breast['diagnosis'].value_counts())
>>>
B 357
M 212
Name: diagnosis, dtype: int64
患有恶性肿瘤的有212人,良性患者为357人
首先去掉不需要的字段,ID 字段
breast.drop("id", axis=1, inplace=True)
再把标签列(diagnosis)转换成0-1的形式,可以使用独热编码,也可以直接转换
breast['diagnosis']=breast['diagnosis'].map({'M': 1, 'B': 0})
最后再把数据分为三个部分,分别为 mean,se 和 worst
breast_mean = list(breast.columns[1:11])
breast_se = list(breast.columns[11:21])
breast_worst = list(breast.columns[21:31])
还是使用热力图来观察各个特征之间的关联关系
import matplotlib.pyplot as plt
import seaborn as sns
breast_corr = breast[breast_mean].corr()
sns.heatmap(breast_corr, annot=True)
plt.show()
我们可以清晰的看出, radius_mean 和 perimeter_mean,area_mean 的相关性非常大,compactness_mean 和 concave_points_mean,concavity_mean 的相关性也很高,所以我们可以只取它们中的一个作为代表即可。
我们做特征选择的目的就是为了降维,用少量的特征代表数据的特性,从而提高分类器的泛化能力,避免模型过拟合。
因为 mean,se 和 worst 分别是每个特征的三个不同度量方式,所以可以只取 mean 一类作为代表。又因为上面的相关性分析,可以把相关性高的特征中选出一个作为代表即可。
breast_features = ['radius_mean','texture_mean', 'smoothness_mean','compactness_mean','symmetry_mean', 'fractal_dimension_mean']
把数据拆分成训练集和测试集
train, test = train_test_split(breast, test_size = 0.3)
# 抽取特征选择的数值作为训练和测试数据
X_train = train[breast_features]
y_train =train['diagnosis']
X_test = test[breast_features]
y_test =test['diagnosis']
不同于决策树,SVM 模型还是需要进行数据规范化的,这里还是使用 Z-Score 规范化
from sklearn.preprocessing import StandardScaler
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)
最后,就可以构建 SVM 分类器进行训练和预测了
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 创建 SVM 分类器
model = SVC()
# 用训练集做训练
model.fit(X_train,y_train)
# 用测试集做预测
prediction=model.predict(X_test)
print('准确率: ', accuracy_score(prediction,y_test))
>>>
准确率: 0.9298245614035088
看起来效果还不错,已经达到了 92%
我们可以利用 sklearn 提供的性能报告,来查看模型的性能
from sklearn.metrics import classification_report
print(classification_report(y_test, prediction))
>>>
precision recall f1-score support 0 0.94 0.95 0.95 111
1 0.91 0.88 0.90 60 micro avg 0.93 0.93 0.93 171
macro avg 0.93 0.92 0.92 171
weighted avg 0.93 0.93 0.93 171
函数 classification_report 需要传递两个参数,测试标签和预测标签
报告大致意思为:
每个类别的准确率,召回率,f1-score(准确率和召回率的组合运算值)以及每个类别的个数
同时还提供了各种平均值,最小,最大和加权平均值。
同样,还是可以在这里找到数据集
https://github.com/zhouwei713/DataAnalyse/tree/master/SVM
还是先来探索下数据
import pandas as pd
import numpy as np
mush = pd.read_csv('mushrooms.csv')
mush.head()
发现特征也是很多的,我们不再关心每一列具体都是什么含义了,只需要知道 class 是标签列,用于区分蘑菇是否有毒。特特征提取由于我们的数据集中,每一列都是字符,不是数字类型,所以不能够通过构造热力图来判断特征之间的相关性,那么我们可以使用另一种更加普遍的方式,主成分分析法来做特征提取
是一种统计方法,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
而 sklearn 同样为我们提供了该方法的实现
from sklearn.decomposition import PCA
主要参数: n_components:需要保留的特征个数,如果 n_components = 1,将把原始数据降到一维;如果赋值为 string,如 n_components='mle',将自动选取特征个数,使得满足所要求的方差百分比;如果没有赋值,默认为 None,特征个数不会改变(特征数据本身会改变)
whiten:默认为 False,是否白化,使得每个特征具有相同的方差
由于数据集中特征都是字符类型,需要通过独热编码的方法转换
mush_encoded = pd.get_dummies(mush)
print(mush_encoded.head())
接下来再进行特征和标签的提取
X_mush = mush_encoded.iloc[:,2:]
y_mush = mush_encoded.iloc[:,1]
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
pca = PCA(n_components=10, whiten=True, random_state=42)
svc = SVC(kernel='linear', class_weight='balanced')
model = make_pipeline(pca, svc)
这里用到了 make_pipeline 工具,该工具就是 sklearn 提供的便于编程的小工具,即把通过 PCA 做过处理的数据依次传递给模型(svc)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_mush, y_mush,
random_state=42)
from sklearn.model_selection import GridSearchCV
param_grid = {'svc__C': [1, 5, 10, 50]}
grid = GridSearchCV(model, param_grid)
grid.fit(X_train, y_train)
print(grid.best_params_)
>>>
{'svc__C': 50}
这里我们应用到了 GridSearchCV 工具,该工具通过我们传递进去的参数 param_grid 来判断需要对模型的哪些参数做循环拟合测试,并最终得出不同参数下模型的得分情况。 从上面的输入可以看出,在惩罚系数为50的情况下,模型的表现是最好的。
而对于 param_grid 可以使用的 key 值,我们可以用如下的方法查看
model.get_params().keys()
>>>
dict_keys(['memory', 'steps', 'pca', 'svc', 'pca__copy', 'pca__iterated_power', 'pca__n_components', 'pca__random_state', 'pca__svd_solver', 'pca__tol', 'pca__whiten', 'svc__C', 'svc__cache_size', 'svc__class_weight', 'svc__coef0', 'svc__decision_function_shape', 'svc__degree', 'svc__gamma', 'svc__kernel', 'svc__max_iter', 'svc__probability', 'svc__random_state', 'svc__shrinking', 'svc__tol', 'svc__verbose'])
此处的 model 是通过 make_pipeline 得到的
在找到了最佳的模型参数后,我们就可以打印下模型的性能得分了
from sklearn.metrics import classification_report
svm_model = grid.best_estimator_
yfit = svm_model.predict(X_test)
print(classification_report(y_test, yfit))
>>>
precision recall f1-score support 0 0.94 0.96 0.95 1040
1 0.96 0.94 0.95 991 micro avg 0.95 0.95 0.95 2031
macro avg 0.95 0.95 0.95 2031
weighted avg 0.95 0.95 0.95 2031
看起来模型还不错,平均都是在 95% 了。
再来看下混淆矩阵的情况,在前面的章节,我们打印过简易版的混淆矩阵,现在我们通过热力图的形式来展现混淆矩阵
from sklearn.metrics import confusion_matrix
mat = confusion_matrix(y_test, yfit)
sns.heatmap(mat.T, square=True, annot=True, fmt='d', cbar=False)
plt.xlabel('true label')
plt.ylabel('predicted label')
本节完整代码
https://github.com/zhouwei713/DataAnalyse/tree/master/SVM
今天带你实践了两个 SVM 分类的例子,希望你从这个过程中能够体会到整个项目的执行流程,包括数据加载、数据探索、数据清洗、特征转换、特征选择(主成分分析)、SVM 训练和评估等环节。
我们也能够看到,sklearn 已经为我们提供了大部分的实现,我们所需要做的就是理解业务(数据),找出最优的超参数,而把其他繁琐的数学运算先暂时放到一旁。我们需要在实战当中,熟悉流程,不断的训练自身的数据化思维和数据敏感度。
在毒蘑菇的例子中,我是保留了10个特征,你能否尝试下如果保留15个特征,准确率会有什么变化呢?