?Datawhale干貨?

譯者：張峰，安徽工業(yè)大學(xué)，Datawhale成員

?

周末在家無(wú)聊閑逛github，發(fā)現(xiàn)一個(gè)很有趣的開源項(xiàng)目，作者用手繪圖的方式講解了機(jī)器學(xué)習(xí)模型構(gòu)建的全流程，邏輯清晰、生動(dòng)形象。同時(shí)，作者也對(duì)幾張圖進(jìn)行了詳細(xì)的講解，學(xué)習(xí)之后，收獲很多，于是將其翻譯下來(lái)，和大家一起學(xué)習(xí)。

地址：https://github.com/dataprofessor/infographic

全文如下：

感覺學(xué)習(xí)數(shù)據(jù)科學(xué)枯燥無(wú)味，那如何能讓學(xué)習(xí)數(shù)據(jù)科學(xué)變得有趣而簡(jiǎn)單呢？帶著這個(gè)目標(biāo)，我開始在iPad上涂鴉建立機(jī)器學(xué)習(xí)模型所需的流程。經(jīng)過(guò)幾天的努力，上圖所示的信息圖就是我的成果，內(nèi)容已經(jīng)被發(fā)布在GitHub上。

1. 數(shù)據(jù)集

數(shù)據(jù)集是你構(gòu)建機(jī)器學(xué)習(xí)模型歷程中的起點(diǎn)。簡(jiǎn)單來(lái)說(shuō)，數(shù)據(jù)集本質(zhì)上是一個(gè)M×N矩陣，其中M代表列（特征），N代表行（樣本）。

列可以分解為X和Y，首先，X是幾個(gè)類似術(shù)語(yǔ)的同義詞，如特征、獨(dú)立變量和輸入變量。其次，Y也是幾個(gè)術(shù)語(yǔ)的同義詞，即類別標(biāo)簽、因變量和輸出變量。

圖1. 數(shù)據(jù)集的卡通插圖

?

應(yīng)該注意的是，一個(gè)可以用于監(jiān)督學(xué)習(xí)的數(shù)據(jù)集（可以執(zhí)行回歸或分類）將同時(shí)包含X和Y，而一個(gè)可以用于無(wú)監(jiān)督學(xué)習(xí)的數(shù)據(jù)集將只有X。

此外，如果Y包含定量值，那么數(shù)據(jù)集（由X和Y組成）可以用于回歸任務(wù)，而如果Y包含定性值，那么數(shù)據(jù)集（由X和Y組成）可以用于分類任務(wù)。

?

2. 探索性數(shù)據(jù)分析（EDA）

進(jìn)行探索性數(shù)據(jù)分析（EDA）是為了獲得對(duì)數(shù)據(jù)的初步了解。在一個(gè)典型的數(shù)據(jù)科學(xué)項(xiàng)目中，我會(huì)做的第一件事就是通過(guò)執(zhí)行EDA來(lái) "盯住數(shù)據(jù)"，以便更好地了解數(shù)據(jù)。

我通常使用的三大EDA方法包括：

• 描述性統(tǒng)計(jì)：平均數(shù)、中位數(shù)、模式、標(biāo)準(zhǔn)差。

• 數(shù)據(jù)可視化：熱力圖（辨別特征內(nèi)部相關(guān)性）、箱形圖（可視化群體差異）、散點(diǎn)圖（可視化特征之間的相關(guān)性）、主成分分析（可視化數(shù)據(jù)集中呈現(xiàn)的聚類分布）等。

• 數(shù)據(jù)整形：對(duì)數(shù)據(jù)進(jìn)行透視、分組、過(guò)濾等。

圖2. NBA球員統(tǒng)計(jì)數(shù)據(jù)的箱形圖示例

?

圖3. NBA球員統(tǒng)計(jì)數(shù)據(jù)的相關(guān)熱力圖示例

?

圖4. NBA球員統(tǒng)計(jì)數(shù)據(jù)的直方圖示例

?

圖5. NBA球員統(tǒng)計(jì)數(shù)據(jù)的散布圖示例

?

3. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理(又稱數(shù)據(jù)清理、數(shù)據(jù)整理或數(shù)據(jù)處理)是指對(duì)數(shù)據(jù)進(jìn)行各種檢查和審查的過(guò)程，以糾正缺失值、拼寫錯(cuò)誤、使數(shù)值正?；?標(biāo)準(zhǔn)化以使其具有可比性、轉(zhuǎn)換數(shù)據(jù)(如對(duì)數(shù)轉(zhuǎn)換)等問題。

"Garbage in, Garbage out."

正如上面的引言所說(shuō)，數(shù)據(jù)的質(zhì)量將對(duì)生成模型的質(zhì)量產(chǎn)生很大的影響。因此，為了達(dá)到最高的模型質(zhì)量，應(yīng)該在數(shù)據(jù)預(yù)處理階段花費(fèi)大量精力。一般來(lái)說(shuō)，數(shù)據(jù)預(yù)處理可以輕松地占到數(shù)據(jù)科學(xué)項(xiàng)目所花費(fèi)時(shí)間的80%，而實(shí)際的模型建立階段和后續(xù)的模型分析僅占到剩余的20%。

?

4. 數(shù)據(jù)分割

4.1 訓(xùn)練--測(cè)試集分割

在機(jī)器學(xué)習(xí)模型的開發(fā)過(guò)程中，希望訓(xùn)練好的模型能在新的、未見過(guò)的數(shù)據(jù)上表現(xiàn)良好。為了模擬新的、未見過(guò)的數(shù)據(jù)，對(duì)可用數(shù)據(jù)進(jìn)行數(shù)據(jù)分割，從而將其分割成2部分（有時(shí)稱為訓(xùn)練—測(cè)試分割）。特別是，第一部分是較大的數(shù)據(jù)子集，用作訓(xùn)練集（如占原始數(shù)據(jù)的80%），第二部分通常是較小的子集，用作測(cè)試集（其余20%的數(shù)據(jù)）。需要注意的是，這種數(shù)據(jù)拆分只進(jìn)行一次。

接下來(lái)，利用訓(xùn)練集建立預(yù)測(cè)模型，然后將這種訓(xùn)練好的模型應(yīng)用于測(cè)試集（即作為新的、未見過(guò)的數(shù)據(jù)）上進(jìn)行預(yù)測(cè)。根據(jù)模型在測(cè)試集上的表現(xiàn)來(lái)選擇最佳模型，為了獲得最佳模型，還可以進(jìn)行超參數(shù)優(yōu)化。

圖6. 訓(xùn)練—測(cè)試集分割示意圖

4.2 訓(xùn)練--驗(yàn)證--測(cè)試集分割

另一種常見的數(shù)據(jù)分割方法是將數(shù)據(jù)分割成3部分。(1) 訓(xùn)練集，(2) 驗(yàn)證集和(3) 測(cè)試集。與上面解釋的類似，訓(xùn)練集用于建立預(yù)測(cè)模型，同時(shí)對(duì)驗(yàn)證集進(jìn)行評(píng)估，據(jù)此進(jìn)行預(yù)測(cè)，可以進(jìn)行模型調(diào)優(yōu)（如超參數(shù)優(yōu)化），并根據(jù)驗(yàn)證集的結(jié)果選擇性能最好的模型。正如我們所看到的，類似于上面對(duì)測(cè)試集進(jìn)行的操作，這里我們?cè)隍?yàn)證集上做同樣的操作。請(qǐng)注意，測(cè)試集不參與任何模型的建立和準(zhǔn)備。因此，測(cè)試集可以真正充當(dāng)新的、未知的數(shù)據(jù)。Google的《機(jī)器學(xué)習(xí)速成班》對(duì)這個(gè)話題進(jìn)行了更深入的處理。

圖7. 訓(xùn)練—驗(yàn)證—測(cè)試集分割示意圖

4.3 交叉驗(yàn)證

為了最經(jīng)濟(jì)地利用現(xiàn)有數(shù)據(jù)，通常使用N倍交叉驗(yàn)證（CV），將數(shù)據(jù)集分割成N個(gè)折（即通常使用5倍或10倍CV）。在這樣的N倍CV中，其中一個(gè)折被留作測(cè)試數(shù)據(jù)，而其余的折則被用作建立模型的訓(xùn)練數(shù)據(jù)。

例如，在5倍CV中，有1個(gè)折被省略，作為測(cè)試數(shù)據(jù)，而剩下的4個(gè)被集中起來(lái)，作為建立模型的訓(xùn)練數(shù)據(jù)。然后，將訓(xùn)練好的模型應(yīng)用于上述遺漏的折（即測(cè)試數(shù)據(jù)）。這個(gè)過(guò)程反復(fù)進(jìn)行，直到所有的折都有機(jī)會(huì)被留出作為測(cè)試數(shù)據(jù)。因此，我們將建立5個(gè)模型（即5個(gè)折中的每個(gè)折都被留出作為測(cè)試集），其中5個(gè)模型中的每個(gè)模型都包含相關(guān)的性能指標(biāo)（我們將在接下來(lái)的部分討論）。最后，度量（指標(biāo)）值是基于5個(gè)模型計(jì)算出的平均性能。

圖8. 交叉驗(yàn)證示意圖

?

在N等于數(shù)據(jù)樣本數(shù)的情況下，我們稱這種留一的交叉驗(yàn)證。在這種類型的CV中，每個(gè)數(shù)據(jù)樣本代表一個(gè)折。例如，如果N等于30，那么就有30個(gè)折（每個(gè)折有1個(gè)樣本）。在任何其他N折CV中，1個(gè)折點(diǎn)被留出作為測(cè)試集，而剩下的29個(gè)折點(diǎn)被用來(lái)建立模型。接下來(lái)，將建立的模型應(yīng)用于對(duì)留出的折進(jìn)行預(yù)測(cè)。與之前一樣，這個(gè)過(guò)程反復(fù)進(jìn)行，共30次；計(jì)算30個(gè)模型的平均性能，并將其作為CV性能指標(biāo)。

5. 模型建立

現(xiàn)在，有趣的部分來(lái)了，我們終于可以使用精心準(zhǔn)備的數(shù)據(jù)來(lái)建立模型了。根據(jù)目標(biāo)變量（通常稱為Y變量）的數(shù)據(jù)類型（定性或定量），我們要建立一個(gè)分類（如果Y是定性的）或回歸（如果Y是定量的）模型。

5.1 學(xué)習(xí)算法

機(jī)器學(xué)習(xí)算法可以大致分為以下三種類型之一：

• 監(jiān)督學(xué)習(xí)：是一種機(jī)器學(xué)習(xí)任務(wù)，建立輸入X和輸出Y變量之間的數(shù)學(xué)（映射）關(guān)系。這樣的X、Y對(duì)構(gòu)成了用于建立模型的標(biāo)簽數(shù)據(jù)，以便學(xué)習(xí)如何從輸入中預(yù)測(cè)輸出。

• 無(wú)監(jiān)督學(xué)習(xí)：是一種只利用輸入X變量的機(jī)器學(xué)習(xí)任務(wù)。這種 X 變量是未標(biāo)記的數(shù)據(jù)，學(xué)習(xí)算法在建模時(shí)使用的是數(shù)據(jù)的固有結(jié)構(gòu)。

• 強(qiáng)化學(xué)習(xí)：是一種決定下一步行動(dòng)方案的機(jī)器學(xué)習(xí)任務(wù)，它通過(guò)試錯(cuò)學(xué)習(xí)來(lái)實(shí)現(xiàn)這一目標(biāo)，努力使回報(bào)最大化。

5.2 參數(shù)調(diào)優(yōu)

超參數(shù)本質(zhì)上是機(jī)器學(xué)習(xí)算法的參數(shù)，直接影響學(xué)習(xí)過(guò)程和預(yù)測(cè)性能。由于沒有 "一刀切 "的超參數(shù)設(shè)置，可以普遍適用于所有數(shù)據(jù)集，因此需要進(jìn)行超參數(shù)優(yōu)化（也稱為超參數(shù)調(diào)整或模型調(diào)整）。

我們以隨機(jī)森林為例。在使用randomForest R包時(shí)，通常會(huì)對(duì)兩個(gè)常見的超參數(shù)進(jìn)行優(yōu)化，其中包括mtry和ntree參數(shù)（這對(duì)應(yīng)于scikit-learnPython庫(kù)中RandomForestClassifier()和RandomForestRegressor()函數(shù)中的nestimators和maxfeatures）。mtry（maxfeatures）代表在每次分裂時(shí)作為候選變量隨機(jī)采樣的變量數(shù)量，而ntree（nestimators）代表要生長(zhǎng)的樹的數(shù)量。

另一種流行的機(jī)器學(xué)習(xí)算法是支持向量機(jī)。需要優(yōu)化的超參數(shù)是徑向基函數(shù)(RBF)內(nèi)核的C參數(shù)和gamma參數(shù)(即線性內(nèi)核只有C參數(shù)；多項(xiàng)式內(nèi)核的C和指數(shù))。C參數(shù)是一個(gè)限制過(guò)擬合的懲罰項(xiàng)，而gamma參數(shù)則控制RBF核的寬度。如上所述，調(diào)優(yōu)通常是為了得出超參數(shù)的最佳值集，盡管如此，也有一些研究旨在為C參數(shù)和gamma參數(shù)找到良好的起始值（Alvarsson等人，2014）。

地址：https://pubs.acs.org/doi/10.1021/ci500344v

5.3 特征選擇

顧名思義，特征選擇從字面上看就是從最初的大量特征中選擇一個(gè)特征子集的過(guò)程。除了實(shí)現(xiàn)高精度的模型外，機(jī)器學(xué)習(xí)模型構(gòu)建最重要的一個(gè)方面是獲得可操作的見解，為了實(shí)現(xiàn)這一目標(biāo)，能夠從大量的特征中選擇出重要的特征子集非常重要。

特征選擇的任務(wù)本身就可以構(gòu)成一個(gè)全新的研究領(lǐng)域，在這個(gè)領(lǐng)域中，大量的努力都是為了設(shè)計(jì)新穎的算法和方法。從眾多可用的特征選擇算法中，一些經(jīng)典的方法是基于模擬退火和遺傳算法。除此之外，還有大量基于進(jìn)化算法（如粒子群優(yōu)化、蟻群優(yōu)化等）和隨機(jī)方法（如蒙特卡洛）的方法。

我們自己的研究小組也在對(duì)醛糖還原酶抑制劑的定量結(jié)構(gòu)—活性關(guān)系建模的研究中，探索了利用蒙特卡洛模擬進(jìn)行特征選擇的方法（Nantasenamat等，2014）。

地址：https://doi.org/10.1016/j.ejmech.2014.02.043

在《遺傳算法搜索空間拼接粒子群優(yōu)化作為通用優(yōu)化器》的工作中，我們還設(shè)計(jì)了一種基于結(jié)合兩種流行的進(jìn)化算法即遺傳算法和粒子群算法的新型特征選擇方法（Li等，2013）。

地址：https://doi.org/10.1016/j.chemolab.2013.08.009

?

圖9. 遺傳算法搜索空間拼接粒子群優(yōu)化(GA-SSS-PSO)方法的原理示意圖，用Schwefel函數(shù)在2維度上進(jìn)行說(shuō)明

"原搜索空間（a）x∈[-500,0]在每個(gè)維度上以2的固定間隔拼接成子空間（圖中一個(gè)維度等于一個(gè)橫軸）。這樣就得到了4個(gè)子空間(b-e)，其中x在每個(gè)維度上的范圍是原始空間的一半。GA的每一個(gè)字符串都會(huì)編碼一個(gè)子空間的索引。然后，GA啟發(fā)式地選擇一個(gè)子空間（e），并在那里啟動(dòng)PSO（粒子顯示為紅點(diǎn)）。PSO搜索子空間的全局最小值，最好的粒子適應(yīng)性作為編碼該子空間索引的GA字符串的適應(yīng)性。最后，GA進(jìn)行進(jìn)化，選擇一個(gè)新的子空間進(jìn)行探索。整個(gè)過(guò)程重復(fù)進(jìn)行，直到達(dá)到滿意的誤差水平。"

6. 機(jī)器學(xué)習(xí)任務(wù)

在監(jiān)督學(xué)習(xí)中，兩個(gè)常見的機(jī)器學(xué)習(xí)任務(wù)包括分類和回歸。

6.1 分類

?一個(gè)訓(xùn)練有素的分類模型將一組變量（定量或定性）作為輸入，并預(yù)測(cè)輸出的類標(biāo)簽（定性）。下圖是由不同顏色和標(biāo)簽表示的三個(gè)類。每一個(gè)小的彩色球體代表一個(gè)數(shù)據(jù)樣本。

圖10. 多類別分類問題的示意圖

三類數(shù)據(jù)樣本在二維中的顯示。上圖顯示的是數(shù)據(jù)樣本的假設(shè)分布。這種可視化圖可以通過(guò)執(zhí)行PCA分析并顯示前兩個(gè)主成分（PC）來(lái)創(chuàng)建；或者也可以選擇兩個(gè)變量的簡(jiǎn)單散點(diǎn)圖可視化。

6.1.1 樣例數(shù)據(jù)集

以企鵝數(shù)據(jù)集（Penguins Dataset）為例（最近提出作為大量使用的Iris數(shù)據(jù)集的替代數(shù)據(jù)集），我們將定量（喙長(zhǎng)、喙深、鰭長(zhǎng)和身體質(zhì)量）和定性（性別和島嶼）特征作為輸入，這些特征唯一地描述了企鵝的特征，并將其歸入三個(gè)物種類別標(biāo)簽（Adelie、Chinstrap或Gentoo）之一。該數(shù)據(jù)集由344行和8列組成。之前的分析顯示，該數(shù)據(jù)集包含333個(gè)完整的案例，其中11個(gè)不完整的案例中出現(xiàn)了19個(gè)缺失值。

圖11. 三個(gè)企鵝物種的類別標(biāo)簽（Chinstrap、Gentoo和Adelie）

6.1.2 性能指標(biāo)

如何知道我們的模型表現(xiàn)好或壞？答案是使用性能指標(biāo)，一些常見的評(píng)估分類性能的指標(biāo)包括準(zhǔn)確率（Ac）、靈敏度（Sn）、特異性（Sp）和馬太相關(guān)系數(shù)（MCC）。

?其中TP、TN、FP和FN分別表示真陽(yáng)性、真陰性、假陽(yáng)性和假陰性的實(shí)例。應(yīng)該注意的是，MCC的范圍從-1到1，其中MCC為-1表示最壞的可能預(yù)測(cè)，而值為1表示最好的可能預(yù)測(cè)方案。此外，MCC為0表示隨機(jī)預(yù)測(cè)。

6.2 回歸

?簡(jiǎn)而言之，可以通過(guò)以下簡(jiǎn)單等式很好地總結(jié)訓(xùn)練有素的回歸模型：Y = f(X)。其中，Y對(duì)應(yīng)量化輸出變量，X指輸入變量，f指計(jì)算輸出值作為輸入特征的映射函數(shù)（從訓(xùn)練模型中得到）。上面的回歸例子公式的實(shí)質(zhì)是，如果X已知，就可以推導(dǎo)出Y。一旦Y被計(jì)算出來(lái)（我們也可以說(shuō)是 "預(yù)測(cè)"），一個(gè)流行的可視化方式是將實(shí)際值與預(yù)測(cè)值做一個(gè)簡(jiǎn)單的散點(diǎn)圖，如下圖所示。

圖12. 實(shí)際值與預(yù)測(cè)值的簡(jiǎn)單散點(diǎn)圖

6.2.1 樣例數(shù)據(jù)集

波士頓住房數(shù)據(jù)集（Boston Housing Dataset）是數(shù)據(jù)科學(xué)教程中通常使用的一個(gè)熱門示例數(shù)據(jù)集。該數(shù)據(jù)集由506行和14列組成。為了簡(jiǎn)潔起見，下面顯示的是標(biāo)題（顯示變量名稱）加上數(shù)據(jù)集的前4行。

?在14列中，前13個(gè)變量被用作輸入變量，而房?jī)r(jià)中位數(shù)（medv）被用作輸出變量?？梢钥闯?，所有14個(gè)變量都包含了量化的數(shù)值，因此適合進(jìn)行回歸分析。我還在YouTube上做了一個(gè)逐步演示如何用Python建立線性回歸模型的視頻。

地址：https://youtu.be/R15LjD8aCzc

在視頻中，我首先向大家展示了如何讀取波士頓房屋數(shù)據(jù)集，將數(shù)據(jù)分離為X和Y矩陣，進(jìn)行80/20的數(shù)據(jù)拆分，利用80%的子集建立線性回歸模型，并應(yīng)用訓(xùn)練好的模型對(duì)20%的子集進(jìn)行預(yù)測(cè)。最后顯示了實(shí)際與預(yù)測(cè)medv值的性能指標(biāo)和散點(diǎn)圖。

圖13. 測(cè)試集的實(shí)際medv值與預(yù)測(cè)medv值（20％子集）的散點(diǎn)圖。

6.2.2 性能指標(biāo)?

對(duì)回歸模型的性能進(jìn)行評(píng)估，以評(píng)估擬合模型可以準(zhǔn)確預(yù)測(cè)輸入數(shù)據(jù)值的程度。

評(píng)估回歸模型性能的常用指標(biāo)是確定系數(shù)（R2）。

從公式中可以看出，R2實(shí)質(zhì)上是1減去殘差平方和（SSres）與總平方和（SStot）的比值。簡(jiǎn)單來(lái)說(shuō)，可以說(shuō)它代表了解釋方差的相對(duì)量度。例如，如果R2=0.6，那么意味著該模型可以解釋60%的方差（即60%的數(shù)據(jù)符合回歸模型），而未解釋的方差占剩余的40%。

此外，均方誤差（MSE）以及均方根誤差（RMSE）也是衡量殘差或預(yù)測(cè)誤差的常用指標(biāo)。

? ? ??

從上面的公式可以看出，MSE顧名思義是很容易計(jì)算的，取平方誤差的平均值。此外，MSE的簡(jiǎn)單平方根可以得到RMSE。

7. 分類任務(wù)的直觀說(shuō)明

現(xiàn)在我們?cè)賮?lái)看看分類模型的整個(gè)過(guò)程。以企鵝數(shù)據(jù)集為例，我們可以看到，企鵝可以通過(guò)4個(gè)定量特征和2個(gè)定性特征來(lái)描述，然后將這些特征作為訓(xùn)練分類模型的輸入。在訓(xùn)練模型的過(guò)程中，需要考慮的問題包括以下幾點(diǎn)。

• 使用什么機(jī)器學(xué)習(xí)算法？

• 應(yīng)該探索什么樣的搜索空間進(jìn)行超參數(shù)優(yōu)化？

• 使用哪種數(shù)據(jù)分割方案？80/20分割還是60/20/20分割？還是10倍CV？

一旦模型被訓(xùn)練，得到的模型就可以用來(lái)對(duì)類別標(biāo)簽（即在我們的案例中企鵝種類）進(jìn)行預(yù)測(cè)，可以是三種企鵝種類中的一種：Adelie、Chinstrap或Gentoo。

除了只進(jìn)行分類建模，我們還可以進(jìn)行主成分分析（PCA），這將只利用X（獨(dú)立）變量來(lái)辨別數(shù)據(jù)的底層結(jié)構(gòu)，并在這樣做的過(guò)程中允許將固有的數(shù)據(jù)簇可視化（如下圖所示為一個(gè)假設(shè)圖，其中簇根據(jù)3種企鵝物種進(jìn)行了顏色編碼）。

圖14. 建立一個(gè)分類模型的過(guò)程示意圖

“干貨學(xué)習(xí)，點(diǎn)贊三連↓