來(lái)源：數(shù)據(jù)STUDIO

作者：云朵君

導(dǎo)讀：大家好，我是云朵君！自從分享了一篇能夠?qū)懺诤?jiǎn)歷里的企業(yè)級(jí)數(shù)據(jù)挖掘實(shí)戰(zhàn)項(xiàng)目，深受讀者朋友們青睞，許多讀者私信云朵君，希望多一些類(lèi)似的數(shù)據(jù)挖掘實(shí)際案例。這就來(lái)了。

本項(xiàng)目旨在探討影響學(xué)生學(xué)業(yè)表現(xiàn)的人口統(tǒng)計(jì)學(xué)和家庭特征。本項(xiàng)目中，使用多種不平衡數(shù)據(jù)處理方法以及各種分類(lèi)器，如決策樹(shù)，邏輯回歸，k近鄰，隨機(jī)森林和多層感知器的分類(lèi)機(jī)器。

數(shù)據(jù)集描述

本案例數(shù)據(jù)集來(lái)自Balochistan的6000名學(xué)生。其基本情況：一共13個(gè)字段，其中RESULT為結(jié)果標(biāo)簽；語(yǔ)言字段是經(jīng)過(guò)獨(dú)熱編碼后的四個(gè)字段，分別為L(zhǎng)ang1, Lang2, Lang3, Lang4；

另外性別、學(xué)校、是否殘疾、宗教信仰四個(gè)字段為二分類(lèi)離散字段；

其余如兄弟姐妹、在校兄弟姐妹數(shù)量為連續(xù)性變量。

本次數(shù)據(jù)為清洗過(guò)后"干凈"數(shù)據(jù)，可以直接輸入到機(jī)器學(xué)習(xí)模型中直接建模使用。

字段說(shuō)明如下表所示

數(shù)據(jù)樣例

探索性數(shù)據(jù)分析

探索性數(shù)據(jù)分析有多種方法，這里直接通過(guò)繪制柱狀圖查看每個(gè)字段的分布狀況。

從數(shù)據(jù)集特點(diǎn)來(lái)看，13個(gè)字段可以分為四大類(lèi)。

• 結(jié)果標(biāo)簽
• 離散型變量
• 連續(xù)型變量
• 啞變量

結(jié)果標(biāo)簽

考試結(jié)果為PASS的共有4562名學(xué)生，而結(jié)果為FAIL的共有1047名學(xué)生，從下圖中也可以明顯看出，該樣本為不平衡數(shù)據(jù)集，因此本次案例重點(diǎn)在于不平衡數(shù)據(jù)分類(lèi)方法。

離散型變量

性別有男女，學(xué)校有學(xué)校1和學(xué)校2，身體健康狀況有是否殘疾，宗教信仰分是否是穆斯林。

連續(xù)型變量

本次數(shù)據(jù)集中兄弟姐妹數(shù)量及在校兄弟姐妹數(shù)量分布情況可以由下面四張分布圖很好地展示出來(lái)。

• 大部分學(xué)生家中的兄弟姐妹有2-4個(gè)
• 大部分學(xué)生家中的姐妹都不是在校生
• 大部分學(xué)生家中的兄弟中也只有1-2個(gè)是在校生

啞變量

本次數(shù)據(jù)集共有四種語(yǔ)言，其數(shù)量分布由下圖所示。接近一半的學(xué)生都是說(shuō)的一種語(yǔ)言(Lang1)。

不平衡數(shù)據(jù)集處理方法

從上一步的探索性數(shù)據(jù)分析結(jié)果，本次學(xué)生成績(jī)數(shù)據(jù)集為不平衡數(shù)據(jù)集，那么處理不平衡數(shù)據(jù)集處理方法都有哪些呢。

在本文云朵君從三個(gè)方面總結(jié)了多種處理方法，見(jiàn)下面思維導(dǎo)圖。

數(shù)據(jù)重采樣

這里主要介紹下數(shù)據(jù)預(yù)處理層面的數(shù)據(jù)重采樣方法。數(shù)據(jù)重采樣主要分為上采樣和下采樣。

下采樣，也稱(chēng)為欠采樣（Under-Sampling），是一個(gè)為平衡數(shù)據(jù)類(lèi)分布的移除大類(lèi)數(shù)據(jù)的非啟發(fā)式的方法。此方法的底層邏輯是平衡數(shù)據(jù)集進(jìn)而克服算法的特異性。

常用的方法有隨機(jī)欠采樣（Random Under-Sampling, RUS），即隨機(jī)排除大類(lèi)的觀(guān)察值，和聚焦欠采樣（Focused Under-Sampling, FUS）, 即移除兩類(lèi)邊界處的大類(lèi)數(shù)據(jù)。

上采樣，也稱(chēng)為過(guò)采樣（Over-Samplig），是通過(guò)復(fù)制小類(lèi)觀(guān)察值，從而增加小類(lèi)比例的一個(gè)方法。類(lèi)似的，過(guò)采樣也有隨機(jī)過(guò)采樣和聚焦過(guò)采樣兩種方法。

來(lái)源：kaggle

上采樣

過(guò)采樣代表SMOTE方法，其主要概念也就是在少數(shù)樣本位置近的地方，人工合成一些樣本，整個(gè)算法的流程如下:

1. 設(shè)定一個(gè)采樣倍率N，也就是對(duì)每個(gè)樣本需要生成幾個(gè)合成樣本
2. 設(shè)定一個(gè)近鄰值K ，針對(duì)該樣本找出K 個(gè)最近鄰樣本并從中隨機(jī)選一個(gè)
3. 根據(jù)以下公式來(lái)創(chuàng)造 N 個(gè)樣本

下采樣

相對(duì)于過(guò)采樣，欠采樣是將多數(shù)樣本按比例減少，使得模型的加權(quán)權(quán)重改變，少考慮一些多數(shù)樣本，上圖很好地展示了兩種方法的差異 。

Tomek Link 算法

會(huì)針對(duì)所有樣本去遍歷一次，如有兩個(gè)樣本點(diǎn)x, y分屬不同的class，即一個(gè)為多數(shù)樣本而另一個(gè)為少數(shù)樣本，則可以去計(jì)算它們之間的距離d(x , y) 。

此時(shí)如果找不到第三個(gè)樣本點(diǎn)z，使得任一樣本點(diǎn)到z 的距離比樣本點(diǎn)之間的距離還小，則稱(chēng)為T(mén)omek Link，一張圖幫助理解 :

來(lái)源：Kaggle

Tomek Link 的關(guān)鍵思路在于，找出邊界那些鑒別度不高的樣本，認(rèn)為這些樣本點(diǎn)屬于雜訊，應(yīng)該剔除，因此可以見(jiàn)上圖最右邊，剔除以后兩種類(lèi)別的樣本點(diǎn)可以更好地區(qū)分開(kāi)來(lái)。

ENN算法（Edited Nearest Neighbor）

與上面Tomek Links的觀(guān)念相同，ENN算法也是透過(guò)某種方式來(lái)剔除鑒別度低的樣本，只是這邊的方式改成了對(duì)多數(shù)類(lèi)的樣本尋找K個(gè)近鄰點(diǎn)，如果有一半以上(當(dāng)然，門(mén)檻可以自己設(shè)定)都不屬于多數(shù)樣本，就將該樣本剔除，通常這些樣本也會(huì)出現(xiàn)在少數(shù)樣本之中。

混合采樣

SMOTE + ENN、SMOTE + Tomek Links算法都是結(jié)合過(guò)采樣與欠采樣算法SMOTEENN使用 SMOTE 進(jìn)行過(guò)采樣，然后使用 Edited Nearest Neighbours 進(jìn)行欠采樣。

SMOTETomek使用 SMOTE 進(jìn)行過(guò)采樣，然后使用 Tomek Links 進(jìn)行欠采樣。

不平衡數(shù)據(jù)集處理方法選擇

控制變量法選擇合適的處理方法。選用決策樹(shù)為基分類(lèi)器，并分別選擇不使用數(shù)據(jù)重采樣，使用SMOTE、SMOTEENN和SMOTETomek共三種數(shù)據(jù)重采樣方法，比較這四種情況下的模型評(píng)價(jià)指標(biāo)AUC得分情況。

最后分別選用五種不同分類(lèi)器，且分別采用不同的數(shù)據(jù)重采樣方法，繪制ROC曲線(xiàn)及得到的AUC得分情況。

ROC和AUC

ROC曲線(xiàn)繪制采用不同分類(lèi)閾值的TPR和FPR，降低分類(lèi)閾值會(huì)將更多的樣本判為正類(lèi)別，從而增加FP和TP的個(gè)數(shù)。為了繪制ROC曲線(xiàn)，需要使用不同的分類(lèi)閾值多次評(píng)估回歸模型，很麻煩。有一種基于排序的高效算法可以為我們提供此類(lèi)信息，這種算法稱(chēng)為曲線(xiàn)下的面積(AUV,area under roc curve)。

ROC曲線(xiàn)的橫軸為FPR，越低越好，縱軸為T(mén)PR，越高越好，故如果有兩個(gè)不同的模型，曲線(xiàn)位于左上方的模型優(yōu)于曲線(xiàn)位于右下方的模型，這一點(diǎn)可以拿曲線(xiàn)的面積(AUV)來(lái)量化。

完美的分類(lèi)為T(mén)PR=1，F(xiàn)PR=0；ROC曲線(xiàn)過(guò)(0,0)和(1,1)點(diǎn)

• AUC = 1，是完美分類(lèi)器，采用這個(gè)預(yù)測(cè)模型時(shí)，不管設(shè)定什么閾值都能得出完美預(yù)測(cè)。絕大多數(shù)預(yù)測(cè)的場(chǎng)合，不存在完美分類(lèi)器。
• 0.5 < AUC < 1，優(yōu)于隨機(jī)猜測(cè)。這個(gè)分類(lèi)器（模型）妥善設(shè)定閾值的話(huà)，能有預(yù)測(cè)價(jià)值。
• AUC = 0.5，跟隨機(jī)猜測(cè)一樣（例：丟銅板），模型沒(méi)有預(yù)測(cè)價(jià)值。
• AUC < 0.5，比隨機(jī)猜測(cè)還差；但只要總是反預(yù)測(cè)而行，就優(yōu)于隨機(jī)猜測(cè)。

AUC計(jì)算的物理意義為：任取一對(duì)(正、負(fù))樣本，正樣本的score大于負(fù)樣本的score的概率，也即是隨機(jī)正類(lèi)別樣本位于隨機(jī)負(fù)類(lèi)別樣本右側(cè)的概率。

核心代碼

將所有主要方法定義為函數(shù)，包括數(shù)據(jù)重采樣、劃分測(cè)試集和訓(xùn)練集、模型訓(xùn)練、模型評(píng)價(jià)和結(jié)果可視化。

此外，由于是比較不平衡數(shù)據(jù)集處理方法選擇的優(yōu)劣，這里所有的機(jī)器學(xué)習(xí)模型都采用默認(rèn)參數(shù)。

def reSampler(X, y, samp):"""不同的數(shù)據(jù)重采樣策略"""if(samp == 'None'):return splitter(X, y, 0.1)if(samp == 'SMOTE'):sm = SMOTE('auto', 42)X_resampled , y_resampled = sm.fit_resample(X, Y)return splitter(X_resampled , y_resampled, 0.1)if(samp == 'SMOTEENN'):sm = SMOTEENN()X_resampled , y_resampled = sm.fit_resample(X, Y)return splitter(X_resampled , y_resampled, 0.1)if(samp == 'SMOTETomek'):sm = SMOTEENN()X_resampled , y_resampled = sm.fit_resample(X, Y)return splitter(X_resampled , y_resampled, 0.1)def splitter(X, y, test_Size):"""劃分測(cè)試集和訓(xùn)練集"""xtrain, xtest, ytrain, ytest = train_test_split(X, y, test_size = test_Size, random_state=12)return xtrain, xtest, ytrain, ytestdef rocPlotter(actu, pred, clf, samp):"""AUC曲線(xiàn)繪圖函數(shù)"""false_positive_rate, true_positive_rate, thresholds = roc_curve(actu, pred)roc_auc = auc(false_positive_rate, true_positive_rate)Title = str('ROC: ' + str(clf) + ' using ' + str(samp))plt.title(Title)plt.plot(false_positive_rate, true_positive_rate, 'b',label='AUC = %0.2f'% roc_auc)plt.legend(loc='lower right')plt.plot([0,1],[0,1],'r--')plt.xlim([-0.1,1.2])plt.ylim([-0.1,1.2])plt.ylabel('True Positive Rate')plt.xlabel('False Positive Rate')plt.show()return roc_aucdef applyModel(clfr, X_, y_, xt, yt):"""使用模型"""a = globals()[clfr]()a.fit(X_, y_)scor = a.score(xt, yt)*100pred = a.predict(xt)actu = ytreturn pred, actu, scordef tryAll(clfList, sampList, Inputs, Outputs):"""主函數(shù)"""rep = np.zeros( (len(clfList), len(sampList)), dtype=float)for clf, clfIndex in zip(clfList, range(len(clfList))):# 不同的分類(lèi)器for samp, sampIndex in zip(sampList, range(len(sampList))):# 不同的重采樣策略X_train, X_test, Y_train, Y_test = reSampler(Inputs, Outputs, samp)prediction , actual, score =applyModel(clf, X_train, Y_train, X_test, Y_test)currentAUC = rocPlotter(prediction, actual, clf, samp)print(clf, ' with ', samp, ' scored = ', score,' on test set with AUC = ', currentAUC)rep[clfIndex, sampIndex] = currentAUCreturn rep

函數(shù)執(zhí)行

Classifiers = ['DecisionTreeClassifier', 'KNeighborsClassifier','LogisticRegression', 'MLPClassifier','RandomForestClassifier']Samplers = ['None', 'SMOTE', 'SMOTETomek', 'SMOTEENN']report = tryAll(Classifiers, Samplers, X, Y)

結(jié)果可視化

下面以單個(gè)模型四種不同重采樣策略，和五種模型單個(gè)重采樣策略為例展示可視化結(jié)果。大家可以運(yùn)行上述代碼以得到完整的結(jié)果展示。

決策樹(shù)模型在四種不同重采樣策略下，得到的四種不同的結(jié)果。很明顯地看到?jīng)]有使用數(shù)據(jù)重采樣的模型得分最差只有0.54，而使用混合采樣算法的兩個(gè)結(jié)果的得分都比較理想，分別是0.973275和0.979196分。

接下來(lái)以上述結(jié)果中得分最高的混合采樣算法SMOTETomek為例，將不平衡數(shù)據(jù)集經(jīng)過(guò)SMOTETomek算法處理后，分別用

DecisionTreeClassifier決策樹(shù)分類(lèi)器，KNeighborsClassifierK近鄰分類(lèi)器，LogisticRegression邏輯回歸，MLPClassifier多層感知機(jī)，RandomForestClassifier隨機(jī)森林分類(lèi)器五種機(jī)器學(xué)習(xí)模型訓(xùn)練和測(cè)試數(shù)據(jù)，并得到如下結(jié)果。

從結(jié)果可知道，并不是所有模型在使用混合采樣算法SMOTETomek后都能達(dá)到令人滿(mǎn)意的效果。

結(jié)果匯總

為方便查看所有結(jié)果，將所模型、所有重采樣方法匯總到如下圖所示的DataFrame中。從AUC結(jié)果看，使用混合采樣算法SMOTEENN對(duì)數(shù)據(jù)集處理，并使用決策樹(shù)模型對(duì)結(jié)果進(jìn)行預(yù)測(cè)，將會(huì)得到最佳預(yù)測(cè)效果。其AUC=0.979。

pd.DataFrame(report, columns = Samplers, index = Classifiers)

交叉驗(yàn)證

上節(jié)中選用五種不同分類(lèi)器，三種不同的數(shù)據(jù)重采樣方法，結(jié)合ROC曲線(xiàn)及AUC得分情況來(lái)確定重采樣方法對(duì)選擇。

本節(jié)可以理解為是上節(jié)的拓展。

核心代碼

# 實(shí)例化五種分類(lèi)器模型dTree = DecisionTreeClassifier()logReg = LogisticRegression()knn = KNeighborsClassifier(n_neighbors=5)rF = RandomForestClassifier()MLP = MLPClassifier()# 實(shí)例化十種數(shù)據(jù)重采樣模型rmun = RandomUnderSampler()cnn = CondensedNearestNeighbour()nm = NearMiss()enn = EditedNearestNeighbours()renn =
RepeatedEditedNearestNeighbours()tkLink = TomekLinks()rmov = RandomOverSampler()sm = SMOTE()sm_en = SMOTEENN()sm_tk = SMOTETomek()# 以SMOTEENN采樣方法為例sm_en = SMOTEENN()X_resampled, Y_resampled = sm_en.fit_resample(X, Y)# 分別使用10折交叉驗(yàn)證的方法得到平均得分scores_dTree = cross_val_score(dTree, X_resampled, Y_resampled, cv = 10, scoring='roc_auc')scores_dTree = scores_dTree.mean()# 打印出每次的結(jié)果print('After appling SMOTENN: ')print(' dTree, logReg , KNN , rF , MLP')print(scores_dTree, scores_logReg, scores_knn, scores_rF, scores_MLP)

將所有結(jié)果存儲(chǔ)在一個(gè)DataFrame里

Classifiers = ['DecisionTreeClassifier', 'LogisticRegression','KNeighborsClassifier', 'RandomForestClassifier','MLPClassifier']Samplers = ['None','Random Undersampling', 'CNN', 'NearMiss','ENN', 'RENN','Tomek Links','SMOTE','Random Oversampling', 'SMOTEENN','SMOTETomek']pd.DataFrame(report, columns = Samplers, index = Classifiers)

并用熱圖可視化更加直觀(guān)地展示出結(jié)果來(lái)

import seaborn as snsplt.figure()ax = sns.heatmap(report,xticklabels=Samplers,yticklabels=Classifiers,annot = True, vmin=0,vmax=1, linewidth=0.1,cmap="YlGnBu",)

從熱圖的特性可以看出，藍(lán)色越深，模型效果越好。本案例中可以得到如下幾個(gè)結(jié)論

1. 隨機(jī)森林分類(lèi)器在使用RENN及SMOTEENN重采樣處理后的數(shù)據(jù)時(shí)，模型效果均比較理想，AUC得分分別為0.94和0.98
2. 采用SMOTEENN重采樣處理后的數(shù)據(jù)，在所有模型中均表現(xiàn)良好，其次是RENN重采樣策略
3. 隨機(jī)下采樣，CNN及NearMiss等采樣策略效果并不明顯
4. 邏輯回歸模型對(duì)于所有的采樣策略均不敏感

本例采用的來(lái)自Balochistan的6000名學(xué)生不平衡數(shù)據(jù)集。本項(xiàng)目旨在探討影響學(xué)生學(xué)業(yè)表現(xiàn)的人口統(tǒng)計(jì)學(xué)和家庭特征。

本例使用清洗后的數(shù)據(jù)集，以探索數(shù)據(jù)變量的分布特征開(kāi)篇，重點(diǎn)介紹了數(shù)據(jù)不平衡處理的各種方法，以及演示如何通過(guò)交叉驗(yàn)證方法選擇合適的數(shù)據(jù)不平衡處理以及選擇合適的機(jī)器學(xué)習(xí)分類(lèi)模型。

本文后續(xù)工作可以是通過(guò)正文中得到的結(jié)果，選擇幾個(gè)合適的模型，通過(guò)適當(dāng)?shù)哪Ｐ驼{(diào)參方法選擇恰當(dāng)?shù)膮?shù)，以確定本次數(shù)據(jù)挖掘的最終模型。