机器学习必修课 - 使用管道 Pipeline

目标：学习使用管道（pipeline）来提高机器学习代码的效率。

1. 运行环境：Google Colab

import pandas as pd
from sklearn.model_selection import train_test_split

!git clone https://github.com/JeffereyWu/Housing-prices-data.git

• 下载数据集

2. 加载房屋价格数据集，进行数据预处理，并将数据划分为训练集和验证集

# Read the data
X_full = pd.read_csv('/content/Housing-prices-data/train.csv', index_col='Id')
X_test_full = pd.read_csv('/content/Housing-prices-data/test.csv', index_col='Id')# Remove rows with missing target, separate target from predictors
X_full.dropna(axis=0, subset=['SalePrice'], inplace=True)
y = X_full.SalePrice
X_full.drop(['SalePrice'], axis=1, inplace=True)# Break off validation set from training data
X_train_full, X_valid_full, y_train, y_valid = train_test_split(X_full, y, train_size=0.8, test_size=0.2,random_state=0)

• 使用Pandas的read_csv函数从指定路径读取训练集和测试集的CSV文件。index_col='Id'表示将数据集中的’Id’列作为索引列。
• 从X_full数据中删除了带有缺失目标值的行，这是因为目标值（‘SalePrice’）是我们要预测的值，所以必须确保每个样本都有一个目标值。然后，将目标值从X_full数据中分离出来，存储在变量y中，并从X_full中删除了目标值列，以便将其视为预测特征。

3. 选择具有相对低基数（唯一值数量较少）的分类（categorical）列

# "Cardinality" means the number of unique values in a column
# Select categorical columns with relatively low cardinality (convenient but arbitrary)
categorical_cols = [cname for cname in X_train_full.columns ifX_train_full[cname].nunique() < 10 and X_train_full[cname].dtype == "object"]

• 识别具有相对较少不同类别的分类列，因为这些列更适合进行独热编码，而不会引入太多的新特征。

4. 选择数值型（numerical）列

# Select numerical columns
numerical_cols = [cname for cname in X_train_full.columns if X_train_full[cname].dtype in ['int64', 'float64']]

• 识别数据集中包含数值数据的列，因为这些列通常用于构建数值特征，并且需要用于训练和评估数值型机器学习模型。

5. 将数据集中的列限制在所选的分类（categorical）列和数值（numerical）列上

# Keep selected columns only
my_cols = categorical_cols + numerical_cols
X_train = X_train_full[my_cols].copy()
X_valid = X_valid_full[my_cols].copy()
X_test = X_test_full[my_cols].copy()

• 创建了一个名为my_cols的列表，其中包含了要保留的列名
• 使用X_train_full[my_cols].copy()和X_valid_full[my_cols].copy()从原始训练数据集（X_train_full和X_valid_full）中创建了新的数据集（X_train和X_valid）。这两个数据集只包含了my_cols中列名所对应的列，其他列被丢弃了。最后，同样的操作也被应用到测试数据集上，创建了包含相同列的测试数据集X_test。

from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

6. 准备数值型数据和分类型数据以供机器学习模型使用

# Preprocessing for numerical data
numerical_transformer = SimpleImputer(strategy='constant')# Preprocessing for categorical data
categorical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='most_frequent')),('onehot', OneHotEncoder(handle_unknown='ignore'))
])# Bundle preprocessing for numerical and categorical data
preprocessor = ColumnTransformer(transformers=[('num', numerical_transformer, numerical_cols),('cat', categorical_transformer, categorical_cols)])

• 创建了一个名为numerical_transformer的预处理器，用于处理数值型数据。在这里，使用了SimpleImputer，并设置了策略为’constant’，表示将缺失的数值数据填充为一个常数值。
• 使用SimpleImputer来填充缺失值，策略为’most_frequent’，表示使用出现频率最高的值来填充缺失的分类数据。
• 使用OneHotEncoder来执行独热编码，将分类数据转换成二进制的形式，并且设置了handle_unknown='ignore'，以处理在转换过程中遇到未知的分类值。
• 使用ColumnTransformer来组合数值型和分类型数据的预处理器，将它们一起构建成一个整体的预处理过程。

7. 建立、训练和评估一个随机森林回归模型

# Define model
model = RandomForestRegressor(n_estimators=100, random_state=0)# Bundle preprocessing and modeling code in a pipeline
clf = Pipeline(steps=[('preprocessor', preprocessor),('model', model)])# Preprocessing of training data, fit model 
clf.fit(X_train, y_train)# Preprocessing of validation data, get predictions
preds = clf.predict(X_valid)print('MAE:', mean_absolute_error(y_valid, preds))

• 创建了一个名为model的机器学习模型。在这里，使用了随机森林回归模型，它是一个基于决策树的集成学习模型，包含了100颗决策树，并设置了随机种子random_state为0，以确保结果的可重复性。
• 创建了一个名为clf的机器学习管道（Pipeline）。管道将数据预处理步骤（preprocessor）和模型训练步骤（model）捆绑在一起，确保数据首先被预处理，然后再用于模型训练。
• MAE是一种衡量模型预测误差的指标，其值越小表示模型的性能越好。

MAE: 17861.780102739725

8. 重新进行数据预处理和定义一个机器学习模型

# Preprocessing for numerical data
numerical_transformer = SimpleImputer(strategy='constant')# Preprocessing for categorical data
categorical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='constant')),('onehot', OneHotEncoder(handle_unknown='ignore'))
])# Bundle preprocessing for numerical and categorical data
preprocessor = ColumnTransformer(transformers=[('num', numerical_transformer, numerical_cols),('cat', categorical_transformer, categorical_cols)])# Define model
model = RandomForestRegressor(n_estimators=100, random_state=0)

• 使用SimpleImputer来填充分类型数据中的缺失值，策略改为’constant’，改用常数值填充。

# Bundle preprocessing and modeling code in a pipeline
my_pipeline = Pipeline(steps=[('preprocessor', preprocessor),('model', model)])# Preprocessing of training data, fit model 
my_pipeline.fit(X_train, y_train)# Preprocessing of validation data, get predictions
preds = my_pipeline.predict(X_valid)# Evaluate the model
score = mean_absolute_error(y_valid, preds)
print('MAE:', score)

MAE: 17621.3197260274

9. 再一次进行数据预处理和定义一个机器学习模型

# 自定义数值型数据的预处理步骤
numerical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='mean')),  # 可以使用均值填充缺失值
])# 自定义分类型数据的预处理步骤
categorical_transformer = Pipeline(steps=[('imputer', SimpleImputer(strategy='most_frequent')),  # 使用最频繁的值填充缺失值('onehot', OneHotEncoder(handle_unknown='ignore'))  # 执行独热编码
])# 定义自己的模型
model = RandomForestRegressor(n_estimators=200, random_state=42)  # 增加决策树数量，设置随机种子# 将自定义的预处理和模型捆绑在一起
clf = Pipeline(steps=[('preprocessor', preprocessor),('model', model)])# 预处理训练数据，训练模型
clf.fit(X_train, y_train)# 预处理验证数据，获取预测结果
preds = clf.predict(X_valid)print('MAE:', mean_absolute_error(y_valid, preds))

MAE: 17468.0611130137

# Preprocessing of test data, fit model
preds_test = clf.predict(X_test)

# Save test predictions to file
output = pd.DataFrame({'Id': X_test.index,'SalePrice': preds_test})
output.to_csv('submission.csv', index=False)