一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

本文作者： AI研習(xí)社

2017-05-12 11:35

導(dǎo)語：接下來就去行動吧！

雷鋒網(wǎng)按：本文作者楊熹，原文載于作者個人博客，雷鋒網(wǎng)已獲授權(quán)。

上周一個叫 Abhishek Thakur 的數(shù)據(jù)科學(xué)家，在他的 Linkedin 發(fā)表了一篇文章 Approaching (Almost) Any Machine Learning Problem，介紹他建立的一個自動的機(jī)器學(xué)習(xí)框架，幾乎可以解決任何機(jī)器學(xué)習(xí)問題，項目很快也會發(fā)布出來。這篇文章迅速火遍 Kaggle，他參加過100多個數(shù)據(jù)科學(xué)相關(guān)的競賽，積累了很多寶貴的經(jīng)驗，看他很幽默地說“寫這樣的框架需要很多豐富的經(jīng)驗，不是每個人都有這樣的經(jīng)歷，而很多人有寶貴的經(jīng)驗，但是他們不愿意分享，我呢恰好是又有一些經(jīng)驗，又愿意分享的人”。當(dāng)然這篇文章也是受到爭議的，很多人覺得并不全面。

我最近也在準(zhǔn)備參加 Kaggle，之前看過幾個例子，自己也總結(jié)了一個分析的流程，今天看了這篇文章，里面提到了一些高效的方法，最干貨的是，他做了一個表格，列出了各個算法通常需要訓(xùn)練的參數(shù)。

這個問題很重要，因為大部分時間都是通過調(diào)節(jié)參數(shù)，訓(xùn)練模型來提高精度。作為一個初學(xué)者，第一階段，最想知道的問題，就是如何調(diào)節(jié)參數(shù)。因為分析的套路很簡單，就那么幾步，常用的算法也就那么幾個，以為把算法調(diào)用一下就可以了么，那是肯定不行的。實(shí)際過程中，調(diào)用完算法后，結(jié)果一般都不怎么好，這個時候還需要進(jìn)一步分析，哪些參數(shù)可以調(diào)優(yōu)，哪些數(shù)據(jù)需要進(jìn)一步處理，還有什么更合適的算法等等問題。

接下來一起來看一下他的框架。

據(jù)說數(shù)據(jù)科學(xué)家 60-70％的時間都花在數(shù)據(jù)清洗和應(yīng)用模型算法上面，這個框架主要針對算法的應(yīng)用部分。

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

什么是 Kaggle？

Kaggle是一個數(shù)據(jù)科學(xué)競賽的平臺，很多公司會發(fā)布一些接近真實(shí)業(yè)務(wù)的問題，吸引愛好數(shù)據(jù)科學(xué)的人來一起解決，可以通過這些數(shù)據(jù)積累經(jīng)驗，提高機(jī)器學(xué)習(xí)的水平。

應(yīng)用算法解決 Kaggle 問題，一般有以下幾個步驟：

第一步：識別問題
第二步：分離數(shù)據(jù)
第三步：構(gòu)造提取特征
第四步：組合數(shù)據(jù)
第五步：分解
第六步：選擇特征
第七步：選擇算法進(jìn)行訓(xùn)練

當(dāng)然，工欲善其事，必先利其器，要先把工具和包都安好。
最方便的就是安裝 Anaconda，這里面包含大部分?jǐn)?shù)據(jù)科學(xué)所需要的包，直接引入就可以了，常用的包有：

- pandas：常用來將數(shù)據(jù)轉(zhuǎn)化成 dataframe 形式進(jìn)行操作
- scikit-learn：里面有要用到的機(jī)器學(xué)習(xí)算法模型
- matplotlib：用來畫圖
- 以及 xgboost，keras，tqdm 等。

第一步：識別問題

在這一步先明確這個問題是分類還是回歸。通過問題和數(shù)據(jù)就可以判斷出來，數(shù)據(jù)由 X 和 label 列構(gòu)成，label 可以一列也可以多列，可以是二進(jìn)制也可以是實(shí)數(shù)，當(dāng)它為二進(jìn)制時，問題屬于分類，當(dāng)它為實(shí)數(shù)時，問題屬于回歸。

第二步：分離數(shù)據(jù)

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

為什么需要將數(shù)據(jù)分成兩部分？

用 Training Data 來訓(xùn)練模型，用 Validation Data 來檢驗這個模型的表現(xiàn)，不然的話，通過各種調(diào)節(jié)參數(shù)，模型可以在訓(xùn)練數(shù)據(jù)集上面表現(xiàn)的非常出色，但是這可能會是過擬合，過擬合就是太依賴現(xiàn)有的數(shù)據(jù)了，擬合的效果特別好，但是只適用于訓(xùn)練集，以致于來一個新的數(shù)據(jù)，就不知道該預(yù)測成什么了。所以需要有 Validation 來驗證一下，看這個模型是在那里自娛自樂呢，還是真的表現(xiàn)出色。

在 scikit learn 包里就有工具可以幫你做到這些：

分類問題用 StrtifiedKFold

from sklearn.cross_validation import StratifiedKFold

回歸問題用 KFold

from sklearn.cross_validation import KFold

第三步：構(gòu)造特征

這個時候，需要將數(shù)據(jù)轉(zhuǎn)化成模型需要的形式。數(shù)據(jù)有三種類型：數(shù)字，類別，文字。當(dāng)數(shù)據(jù)是類別的形式時，需要將它的每一類提取出來作為單獨(dú)一列，然后用二進(jìn)制表示每條記錄相應(yīng)的值。例如：

record 1: 性別女
record 2：性別女
record 3：性別男

轉(zhuǎn)化之后就是：

??????女男
record 1: 1 0
record 2：1 0
record 3：0 1

這個過程 sklearn 也可以幫你做到：

from sklearn.preprocessing import LabelEncoder

或者

from sklearn.preprocessing import OneHotEncoder

第四步：組合數(shù)據(jù)

處理完 Feature 之后，就將它們組合到一起。
如果數(shù)據(jù)是稠密的，就可以用 numpy 的 hstack:

import numpy as np
X = np.hstack((x1, x2, ...))

如果是稀疏的，就用 sparse 的 hstack：

from scipy import sparse
X = sparse.hstack((x1, x2, ...))

組合之后，就可以應(yīng)用以下算法模型：

- RandomForestClassifier
- RandomForestRegressor
- ExtraTreesClassifier
- ExtraTreesRegressor
- XGBClassifier
- XGBRegressor

但是不能應(yīng)用線性模型，線性模型之前需要對數(shù)據(jù)進(jìn)行正則化而不是上述預(yù)處理。

第五步：分解

這一步是為了進(jìn)一步優(yōu)化模型，可以用以下方法：

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

PCA：Principal components analysis，主成分分析，是一種分析、簡化數(shù)據(jù)集的技術(shù)。用于減少數(shù)據(jù)集的維數(shù)，同時保持?jǐn)?shù)據(jù)集中的對方差貢獻(xiàn)最大的特征。

from sklearn.decomposition import PCA

對于文字?jǐn)?shù)據(jù)，在轉(zhuǎn)化成稀疏矩陣之后，可以用 SVD

from sklearn.decomposition import TruncatedSVD

SVD：Singular Value Decomposition，奇異值分解，是線性代數(shù)中一種重要的矩陣分解，它總能找到標(biāo)準(zhǔn)化正交基后方差最大的維度，因此用它進(jìn)行降維去噪。

第六步：選擇特征

當(dāng)特征個數(shù)越多時，分析特征、訓(xùn)練模型所需的時間就越長，容易引起“維度災(zāi)難”，模型也會越復(fù)雜，推廣能力也會下降，所以需要剔除不相關(guān)或亢余的特征。

常用的算法有完全搜索，啟發(fā)式搜索，和隨機(jī)算法。

例如，Random Forest：

from sklearn.ensemble import RandomForestClassifier

或者 xgboost：

import xgboost as xgb

對于稀疏的數(shù)據(jù)，一個比較有名的方法是 chi-2：

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2

第七步：選擇算法進(jìn)行訓(xùn)練

選擇完最相關(guān)的參數(shù)之后，接下來就可以應(yīng)用算法，常用的算法有：

Classification:
Random Forest
GBM
Logistic Regression
Naive Bayes
Support Vector Machines
k-Nearest Neighbors

Regression
Random Forest
GBM
Linear Regression
Ridge
Lasso
SVR

在 scikit－learn 里可以看到分類和回歸的可用的算法一覽，包括它們的原理和例子代碼。

在應(yīng)用各算法之前先要明確這個方法到底是否合適。

為什么那么多算法里，只提出這幾個算法呢，這就需要對比不同算法的性能了。

這篇神文 Do we Need Hundreds of Classifiers to Solve Real World Classification Problems 測試了179種分類模型在UCI所有的121個數(shù)據(jù)上的性能，發(fā)現(xiàn)Random Forests 和 SVM 性能最好。

我們可以學(xué)習(xí)一下里面的調(diào)研思路，看看是怎么樣得到比較結(jié)果的，在我們的實(shí)踐中也有一定的指導(dǎo)作用。

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

但是直接應(yīng)用算法后，一般精度都不是很理想，這個時候需要調(diào)節(jié)參數(shù)，最干貨的問題來了，什么模型需要調(diào)節(jié)什么參數(shù)呢？

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

雖然在sklearn的文檔里，會列出所有算法所帶有的參數(shù)，但是里面并不會說調(diào)節(jié)哪個會有效。在一些mooc課程里，有一些項目的代碼，里面可以看到一些算法應(yīng)用時，他們重點(diǎn)調(diào)節(jié)的參數(shù)，但是有的也不會說清楚為什么不調(diào)節(jié)別的。這里作者根據(jù)他100多次比賽的經(jīng)驗，列出了這個表，我覺得可以借鑒一下，當(dāng)然，如果有時間的話，去對照文檔里的參數(shù)列表，再查一下算法的原理，通過理論也是可以判斷出來哪個參數(shù)影響比較大的。

調(diào)參之后，也并不就是大功告成，這個時候還是需要去思考，是什么原因造成精度低的，是哪些數(shù)據(jù)的深意還沒有被挖掘到，這個時候需要用統(tǒng)計和可視化去再一次探索數(shù)據(jù)，之后就再走一遍上面的過程。

我覺得這里還提到了很有用的一條經(jīng)驗是，把所有的 transformer 都保存起來，方便在 validation 數(shù)據(jù)集上面應(yīng)用：

一個框架解決幾乎所有機(jī)器學(xué)習(xí)問題

文章里介紹了分析問題的思路，還提到了幾條很實(shí)用的經(jīng)驗，不過經(jīng)驗終究是別人的經(jīng)驗，只能借鑒，要想提高自己的水平，還是要看到作者背后的事情，就是參加了100多次實(shí)戰(zhàn)，接下來就去行動吧，享受用算法和代碼與數(shù)據(jù)玩耍的興奮吧。

TensorFlow & 神經(jīng)網(wǎng)絡(luò)算法高級應(yīng)用班” 要開課啦！

從初級到高級，理論 + 實(shí)戰(zhàn)，一站式深度了解 TensorFlow！

本課程面向深度學(xué)習(xí)開發(fā)者，講授如何利用 TensorFlow 解決圖像識別、文本分析等具體問題。課程跨度為 10 周，將從 TensorFlow 的原理與基礎(chǔ)實(shí)戰(zhàn)技巧開始，一步步教授學(xué)員如何在 TensorFlow 上搭建 CNN、自編碼、RNN、GAN 等模型，并最終掌握一整套基于 TensorFlow 做深度學(xué)習(xí)開發(fā)的專業(yè)技能。

兩名授課老師佟達(dá)、白發(fā)川身為 ThoughtWorks 的資深技術(shù)專家，具有豐富的大數(shù)據(jù)平臺搭建、深度學(xué)習(xí)系統(tǒng)開發(fā)項目經(jīng)驗。