快速比较多种机器学习模型实例

即将开播：5月20日，基于kubernetes打造企业级私有云实践

 介绍

当从事机器学习项目时，所有数据科学家都必须面对的一个问题是：哪种机器学习模型架构比较适合我的数据呢?

不幸的是，对于哪种模型比较好，还没有明确的答案。当面对这种不确定性的时候，常用的方法是:实验!

在本文中，我将向您展示如何快速测试数据集上的多个模型，以找到可能提供优质性能的机器学习模型，从而使您能够将精力集中在模型的微调和优化上。

机器学习数据集

在开始实验之前，我们需要一个数据集。我将假设我们的问题是有监督的二元分类任务。让我们从sklearn加载乳腺癌数据集开始。

from sklearn.datasets import load_breast_cancer 
X, y = data = load_breast_cancer(return_X_y=True) 

接下来，我们需要将数据拆分为训练集和测试集。拆分比例为75/25。

from sklearn.model_selection import train_test_split 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=8675309) 

Python编码

我们将在此数据集上快速测试6种不同模型的拟合度。

1. 逻辑回归
2. 随机森林
3. K最近邻居
4. 支持向量机
5. 高斯朴素贝叶斯
6. XGBoost

为了更准确地表示每个模型的拟合度，实际上是需要调整默认参数的，但是，本文出于演示目的，我将使用每个模型的默认参数，这样可以使总体思路更加清晰。

from sklearn.linear_model import LogisticRegression 
from sklearn.neighbors import KNeighborsClassifier 
from sklearn.svm import SVC 
from sklearn.ensemble import RandomForestClassifier 
from sklearn.naive_bayes import GaussianNB 
from xgboost import XGBClassifier 
from sklearn import model_selection 
from sklearn.utils import class_weight 
from sklearn.metrics import classification_report 
from sklearn.metrics import confusion_matrix 
import numpy as np 
import pandas as pd 
def run_exps(X_train: pd.DataFrame , y_train: pd.DataFrame, X_test: pd.DataFrame, y_test: pd.DataFrame) -> pd.DataFrame: 
    ''' 
    Lightweight script to test many models and find winners 
:param X_train: training split 
    :param y_train: training target vector 
    :param X_test: test split 
    :param y_test: test target vector 
    :return: DataFrame of predictions 
    '''     
    dfs = [] 
    models = [ 
          ('LogReg', LogisticRegression()),  
          ('RF', RandomForestClassifier()), 
          ('KNN', KNeighborsClassifier()), 
          ('SVM', SVC()),  
          ('GNB', GaussianNB()), 
          ('XGB', XGBClassifier()) 
        ] 
    results = [] 
    names = [] 
    scoring = ['accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted', 'roc_auc'] 
    target_names = ['malignant', 'benign'] 
    for name, model in models: 
        kfold = model_selection.KFold(n_splits=5, shuffle=True, random_state=90210) 
        cv_results = model_selection.cross_validate(model, X_train, y_train, cv=kfold, scoring=scoring) 
        clf = model.fit(X_train, y_train) 
        y_pred = clf.predict(X_test) 
        print(name) 
        print(classification_report(y_test, y_pred, target_names=target_names)) 
        results.append(cv_results) 
        names.append(name) 
        this_df = pd.DataFrame(cv_results) 
        this_df['model'] = name 
        dfs.append(this_df) 
    final = pd.concat(dfs, ignore_index=True) 
    return final 
final=run_exps(X_train,y_train, X_test,  y_test ) 
final 

在上面的Python代码中有很多东西需要解释。首先，我们创建一个变量dfs，该变量用来保存通过对训练集上应用5-fold交叉验证创建的数据集。

接下来，models保存在元组列表中，其中包含要测试的每个分类器的名称和类。在此之后，我们循环遍历这个列表并运行5-fold交叉验证。每次运行的结果都记录在我们附加到dfs列表的pandas dataframe中。必须注意，这里指标是两个类的加权平均指标。

测试集上的分类报告如下：

评估结果

我们将分析从run_exps()脚本返回的final(dataframe)中的数据。

为了更好地估计每个模型的指标分布，我在30个样本上运行了empirical bootstrapping。此外，我将关注两个指标:性能指标和拟合时间指标。下面的Python代码块实现了这一点。

bootstraps = [] 
for model in list(set(final.model.values)): 
    model_df = final.loc[final.model == model] 
    bootstrap = model_df.sample(n=30, replace=True) 
    bootstraps.append(bootstrap) 
         
bootstrap_df = pd.concat(bootstraps, ignore_index=True) 
results_long = pd.melt(bootstrap_df,id_vars=['model'],var_name='metrics', value_name='values') 
time_metrics = ['fit_time','score_time'] # fit time metrics 
## PERFORMANCE METRICS 
results_long_nofit = results_long.loc[~results_long['metrics'].isin(time_metrics)] # get df without fit data 
results_long_nofit = results_long_nofit.sort_values(by='values') 
## TIME METRICS 
results_long_fit = results_long.loc[results_long['metrics'].isin(time_metrics)] # df with fit data 
results_long_fit = results_long_fit.sort_values(by='values') 

首先，让我们绘制来自5-fold交叉验证的性能指标。

import matplotlib.pyplot as plt 
import seaborn as sns 
plt.figure(figsize=(20, 12)) 
sns.set(font_scale=2.5) 
g = sns.boxplot(x="model", y="values", hue="metrics", data=results_long_nofit, palette="Set3") 
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.) 
plt.title('Comparison of Model by Classification Metric') 
#plt.savefig('./benchmark_models_performance.png',dpi=300) 
plt.show() 

很明显，支持向量机在所有指标上对我们的数据的拟合度都很差，而集成决策树模型(Random Forest和XGBoost)对数据的拟合非常好。

训练时间怎么样呢?

plt.figure(figsize=(20, 12)) 
sns.set(font_scale=2.5) 
g = sns.boxplot(x="model", y="values", hue="metrics", data=results_long_fit, palette="Set3") 
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.) 
plt.title('Comparison of Model by Fit and Score Time') 
plt.show() 

随机森林虽然相对于KNN、GNB和LogReg来说比较慢，但其性能仅次于KNN。如果我继续细化模型，我可能会将大部分精力集中在随机森林上，因为它的性能几乎与XGBoost相同(它们的95%置信区间可能重叠)，但训练速度几乎快了4倍!

如果您希望对这些模型进行更多的分析(例如，计算每个度量标准的置信区间)，您将需要访问每个度量标准的均值和标准差。

metrics = list(set(results_long_nofit.metrics.values)) 
bootstrap_df.groupby(['model'])[metrics].agg([np.std, np.mean]) 

time_metrics = list(set(results_long_fit.metrics.values)) 
bootstrap_df.groupby(['model'])[time_metrics].agg([np.std, np.mean])