利用可视化方法选择机器学习算法

问题导读：
1、如何判断选择初始模型？
2、使用哪种模型来拟合数据？
3、如何获取免费样本数据集？
4、可视化图表有哪些？



视觉诊断让你对机器学习了如指掌。

Python和high level的机器学习/深度学习库，比如Scikit-learn，TensorFlow，NLTK，PyBrain，Theano和MLPY让机器学习走进“大众”（开发社区）视野。随着这些工具的开源，现在有了越来越多的机器学习从业者。与此同时，机器学习的份额并没有增加。预测工具正在成为各行各业（从商业，艺术，和工程到教育，法律和国防）的决策驱动。

当我们使用几行Python代码来示例和拟合一个模型时，如何才能确保我们的预测结果是可信的和健壮的？

[mw_shl_code=applescript,true]from sklearn.linear_model import LinearRegression
model = LogisticRegression()
model.fit(X,y)
model.predict(X)[/mw_shl_code]

选择什么样的初始模型？使用哪些特征？哪些特征需要归一化？如何来甄别一些问题（比如，局部极小值和过拟合）？从弱模型可以得到优化模型吗？

为了帮助我们解决以上问题，让我们来看一下以下4个二维数组，为每个生成预测模型：

[mw_shl_code=applescript,true]import numpy as np

i   = np.array([
    [10.0, 8.0, 13.0, 9.0, 11.0, 14.0, 6.0, 4.0, 12.0, 7.0, 5.0],
    [8.04, 6.95, 7.58, 8.81, 8.33, 9.96, 7.24, 4.26, 10.84, 4.82, 5.68]
])

ii  = np.array([
    [10.0, 8.0, 13.0, 9.0, 11.0, 14.0, 6.0, 4.0, 12.0, 7.0, 5.0],
    [9.14, 8.14, 8.74, 8.77, 9.26, 8.10, 6.13, 3.10, 9.13, 7.26, 4.74]
])

iii = np.array([
    [10.0, 8.0, 13.0, 9.0, 11.0, 14.0, 6.0, 4.0, 12.0, 7.0, 5.0],
    [7.46, 6.77, 12.74, 7.11, 7.81, 8.84, 6.08, 5.39, 8.15, 6.42, 5.73]
])

iv  = np.array([
    [8.0, 8.0, 8.0, 8.0, 8.0, 8.0, 8.0, 19.0, 8.0, 8.0, 8.0],
    [6.58, 5.76, 7.71, 8.84, 8.47, 7.04, 5.25, 12.50, 5.56, 7.91, 6.89]
])[/mw_shl_code]

我们应该使用哪种模型来拟合数据呢？首先，为每个数组计算统计属性：平均值、方差、相关系数以及线性回归的斜率和截距。

[mw_shl_code=applescript,true]from scipy import stats

def get_stats(twoDarray):
    print(np.mean(twoDarray[0]))
    print(np.mean(twoDarray[1]))
    print(np.var(twoDarray[0]))
    print(np.var(twoDarray[1]))
    print(np.corrcoef(twoDarray[0],twoDarray[1]))
    print(stats.linregress(twoDarray[0],twoDarray[1]))


for data in (i, ii, iii, iv):
    get_stats(data)[/mw_shl_code]

当你运行上面的代码，你会发现四组数组中有相同的描述统计属性。这可能导致我们决定为每个数组使用单个模型（比如，sklearn.linear_model.LinearRegression）。但是，如果我们把数据集绘制成图表，我们将看到跟我们想象的不一样：

[mw_shl_code=applescript,true]def make_plot(a, b, c, d):
    fig, ((axa, axb), (axc, axd)) =  plt.subplots(2, 2, sharex='col', sharey='row')
    for arr, ax in ((a, axa), (b, axb), (c, axc), (d, axd)):
        x = arr[0]
        y = arr[1]

        ax.scatter(x, y, c='g')
        m,b = np.polyfit(x, y, 1)
        X = np.linspace(ax.get_xlim()[0], ax.get_xlim()[1], 100)
        ax.plot(X, m*X+b, '-')
    plt.show()

make_plot(i, ii, iii, iv)[/mw_shl_code]

更重要的是，一个简单的线性回归模型并不能对这个四个数组都满足。我们能看到 i 和 iii 是线性关系，但是它们的回归线又是那么的不同。在 ii 的图表中，我们看到变量是相关的，但又不是线性相关的，也不是完全的正太分布。并且，图表 iii 和 iv 都包含比较明显的异常点，严重地影响到相关系数。

统计学家弗朗西斯·安斯库姆（Francis Anscombe）于1973年构造出安斯库姆四重奏（Anscombe’s quartet），它包含四组基本的统计特性一致的数据，目的是用来说明在分析数据前先绘制图表的重要性，以及离群值对统计的影响之大。所以，有时数据集的可视化对机器学习至关重要。在数据科学中，视觉诊断是一种强大的但常常又被低估的工具。可视化不应该在数据管道的结尾处。当我们直接在原始数据集中看不到什么规律时，绘制图表可以帮助我们找到模型/模式。静态输出结果和表格数据不能使得模型/模式显现的地方，人类视觉分析能够洞察，并能获得健壮的程序和更好的数据产品。

在机器学习中，许多因素（比如，杂乱的数据，过度训练数据集，过度调优，维度灾难（（curse of dimensionality）［备注一］等）会引起问题。视觉诊断可以辨别出“损毁”的模型和正常预测的模型。在系列文章《视觉诊断让你对机器学习了如指掌》中，将向你展示可视化工具是如何在机器学习过程的几个关键阶段（特征工程，模型选择，参数调优）提供帮助的？如何有效利用Scikit-Learn库和Matplotlib库（包括但不限于Pandas，Bokeh和 Seaborn）。

样本数据集

为了在不同的领域讲解可视化方法，这里将使用不同的数据集，来自于UCI机器学习仓库：

    从light，humidity，CO2等特征中预测房屋入住；
    从sex，education，marital status，age和payment history几个特征中预测信用卡默认支付；
    从混凝土生产年限和材料来预测混凝土抗压强度。

下面给出简单的Python脚本，使用Python的requests模块去UCI获取所有三个数据集：
[mw_shl_code=applescript,true]import os
import zipfile
import requests

OCCUPANCY = ('http://bit.ly/ddl-occupancy-dataset', 'occupancy.zip')
CREDIT    = ('http://bit.ly/ddl-credit-dataset', 'credit.xls')
CONCRETE  = ('http://bit.ly/ddl-concrete-data', 'concrete.xls')

def download_data(url, name, path='data'):
    if not os.path.exists(path):
        os.mkdir(path)

    response = requests.get(url)
    with open(os.path.join(path, name), 'w') as f:
        f.write(response.content)


def download_all(path='data'):
    for href, name in (OCCUPANCY, CREDIT, CONCRETE):
        download_data(href, name, path)

    # Extract the occupancy zip data
    z = zipfile.ZipFile(os.path.join(path, 'occupancy.zip'))
    z.extractall(os.path.join(path, 'occupancy'))

path='data'
download_all(path)[/mw_shl_code]
运行脚本后，你会在当前工作目录下发现一个名为data文件夹，包含两个XLS文件（Excel），一个zip文件和一个包含房间入住数据的未压缩文件夹。

特征分析和选择

特征选择是机器学习的关键。对于三个样本数据集来说比较简单，因为这些数据集在上传到UCI仓库之前就已经做好了部分特征选择。但是当我们自己做机器学习时，还是必须使用统计和其它方法（比如，和领域专家交流，可视化分析）结合的方式来做特征选择。在现实情况中，我们期待可能只有几个属性需要预测而不用管其它的属性。我们也期待有些属性是冗余的（比如，两种属性的线性组合）。

在特征选择这步，我们的目标是能够找到合适的最小特征集合来达到最好的预测值。为什么呢？首先，减小特征的数量能够降低模型的复杂度，相应的也减小偏差。第二，低维度的数据集消耗更少的计算时间。最后，实践证明，基于更小的变量数据的模型更容易解释。统计方法，比如，平均值和方差，在特征拆解中是非常有用第一步。获得数据后，我们导入pandas模块，加载数据进入data frame，粗略扫一眼：
[mw_shl_code=applescript,true]
import pandas as pd

# Load the room occupancy dataset
occupancy = os.path.join('data','occupancy_data','datatraining.txt')
occupancy = pd.read_csv(occupancy, sep=',')
occupancy.columns = [
    'date', 'temp', 'humid', 'light', 'co2', 'hratio', 'occupied'
]

# View the occupancy details
print(occupancy.head())
print(occupancy.describe())

# Load the credit card default dataset
credit = os.path.join('data','credit.xls')
credit = pd.read_excel(credit, header=1)
credit.columns = [
    'id', 'limit', 'sex', 'edu', 'married', 'age', 'apr_delay', 'may_delay',
    'jun_delay', 'jul_delay', 'aug_delay', 'sep_delay', 'apr_bill', 'may_bill',
    'jun_bill', 'jul_bill', 'aug_bill', 'sep_bill', 'apr_pay', 'may_pay', 'jun_pay',
    'jul_pay', 'aug_pay', 'sep_pay', 'default'
]

# View the credit details
print(credit.head())
print(credit.describe())

# Load the concrete compression data set
concrete   = pd.read_excel(os.path.join('data','concrete.xls'))
concrete.columns = [
    'cement', 'slag', 'ash', 'water', 'splast',
    'coarse', 'fine', 'age', 'strength'
]

# View the concrete details
print(concrete.head())
print(concrete.describe())[/mw_shl_code]
从上面.describe() 语句的输出结果可以开始对三个数据集的不同有个大概的认识。例如，对于房间入住数据集，light和CO2释放的标准差比temperature和humidity的标准差多两个数量级。这意味着可能有必要进行归一化处理。在信用卡默认支付的数据集中，打标签（label，0代表信用卡持有者没有默认支付；1代表有默认支付）数据的分布不均衡，这意味着分类可能不平衡。

然而，如果你仅仅只是基于描述的表格来选择特征，而没有相关领域专家的指导，这个数据预测将是非常艰难的。一般在这种情况下，有过预测模型训练经验的人员经常会可视化数据集，这样他们可以清晰地看到不同特征向量的行为。下面我们将用一些常规的方法来可视化前面的三种数据集：

•     箱线图（Boxplot／violinplot）；
•     直方图（histogram）；
•     散点图矩阵（scatter plot matrice／splom）；
•     径向坐标可视化（radviz）；
•     平行坐标图（parallel coordinate）；
•     双标图（jointplot）
  

我们将绘制图表，找出特征信号（比如，模式，可分性，特征和目标之间的关系，不同特征间的关系等等）和波动（比如，噪声量，数据分布等）。

箱线图

箱线图可以看出数据的集中趋势、分布和异常点。
[mw_shl_code=applescript,true]import seaborn as sns
import matplotlib.pyplot as plt

sns.set_style('whitegrid')

def box_viz(df):
    ax = sns.boxplot(df)
    plt.xticks(rotation=60)
    plt.show()

box_viz(concrete)[/mw_shl_code]

在上面的例子中，混凝土数据集的每个特征作为x轴，对于每个特征，我们得到了可视化的数据行为。箱线图包含数据的最大和最小四分位，箱子中间的黑线代表中指中位数，边缘线代表最大值和最小值（异常点除外），菱形代表异常点。在混凝土的数据集的箱线图中，我们可以看出大部分特征都是相似的尺度，除了“coarse” 和 “fine”。这意味着我们在开始模型训练之前进行特征的标准化预处理。

Violinplot提供了的传统箱线图，除了提供前面的信息，也反映相对密度估计，这对判断特征的可分性很有用。violin的两边显示了分类变量的分布，这对二分类特有用。使用sns.violinplot代替sns.boxplot即可绘制Violinplot图。

直方图

直方图显示根据每个特征的组距值放入不同的直条，并根据每个直条的频率来计算直条值。下面绘制信用卡默认支付数据集的年龄特征的直方图，代码如下：
[mw_shl_code=applescript,true]def hist_viz(df,feature):
    ax = sns.distplot(df[feature])
    plt.xlabel(feature)
    plt.show()

hist_viz(credit,'age') # We need to specify a feature vector[/mw_shl_code]

从上面的直方图可以看出大部分代表性的人都在40岁以下。

散点图矩阵

散点图矩阵是非常值得推荐的特征分析工具。我们在散点图中把所有特征配对（每两两特征组合画在一个矩阵中）绘制，对角一般留白或者用来显示核密度估计、直方图或者特征标注。散点图矩阵可以检查两两不同特征之间的关系。我们从散点图矩阵中找出协方差，线性关系、二次关系或者指数关系，同方差或者异方差（代表特征之间分散的程度）。下面混凝土数据集的散点图矩阵，我们可以发现 strength 和 cement 两特征间是异方差。

注意到Seaborn功能可以绘制散点图矩阵，调用sns.pairplot即可：
[mw_shl_code=applescript,true]def splom_viz(df, labels=None):
    ax = sns.pairplot(df, hue=labels, diag_kind='kde', size=2)
    plt.show()

splom_viz(concrete)[/mw_shl_code]


径向坐标可视化（radviz）

径向坐标可视化是基于弹簧张力最小化算法。它把数据集的特征映射成二维目标空间单位圆中的一个点，点的位置由系在点上的特征决定。把实例投入圆的中心，特征会朝圆中此实例位置（实例对应的归一化数值）“拉”实例。

截至目前，径向坐标可视化在Seaborn中并未实现，所以我们结合Pandas的radviz函数和Seaborn的sns.color_palette来绘制：
[mw_shl_code=applescript,true]from pandas.tools.plotting import radviz

def rad_viz(df,labels):
    fig = radviz(df, labels, color=sns.color_palette())
    plt.show()

rad_viz(occupancy.ix[:,1:],'occupied') # Specify which column contains the labels[/mw_shl_code]

从上面房间入住数据集的径向坐标可视化，我们能看到被标注为入住和空缺的房间有些明显的分离。并且，它显示出temperature是可预测的特征之一，因为绿色的点（空缺房间）被拉向圆中的temperature。

平行坐标图

平行坐标图，类似于radviz图，是可视化数据集聚类的方法。数据点表示为可连接的线段，x轴的单位没有实际意义，每个竖直线代表一个属性。连接线段的一个集合代表一个实例。紧挨着的点聚成一类，相同颜色的线意味着好的分散性。

跟径向坐标可视化一样，我们使用Pandas函数parallel_coordinates来绘制：
[mw_shl_code=applescript,true]from pandas.tools.plotting import parallel_coordinates

def pcoord_viz(df, labels):
    fig = parallel_coordinates(df, labels, color=sns.color_palette())
    plt.show()

pcoord_viz(occupancy.ix[:,1:],'occupied') # Specify which column contains the labels[/mw_shl_code]

随着数据集维度的增加，即使对于专家，特征分析的挑战也会变大。坦率地讲，没有多少工具可以处理高维数据集。在Python的实现中，径向坐标可视化和radviz图对高维数据集都不是特别好扩展。

双标图（jointplot）

一般来讲，维度数目必须通过技术（比如，层次聚合，降维（例如，PCA和LDA）和维度裁剪）来减少。对于维度裁剪，可以使用散点图矩阵生成小倍数的特征。另外一种可行的办法是用双标图来检测每两两特征间的相关性。

在下面的双标图，我们检测到每个人四月份第一笔支付和九月最后一笔支付的关系。
[mw_shl_code=applescript,true]def joint_viz(feat1,feat2,df):
    ax = sns.jointplot(feat1, feat2, data=df, kind='reg', size=5)
    plt.xticks(rotation=60)
    plt.show()

joint_viz('apr_bill','sep_bill',credit)[/mw_shl_code]


结论

特征分析湿机器学习的关键步骤，随着潜在特征数量的增加，特征分析的复杂性也显著提高。但是，通过本文展示出特征选择也不是那么神秘。统计工具（比如，相关系数）和LASSO（下篇文章将会阐述）对鉴别最大预测特征的最小集合是非常有用的工具。利用像箱线图、直方图和散点图矩阵的工具和统计方法一起来可视化分析特征。可视化特征帮助我们洞察数据，这对开始机器学习是非常有用的。

通过对上面房间入住数据集、信用卡支付数据集和混凝土数据集的可视化，我们确定了什么是要预测的？什么特征能够用来做预测？通过特征分析的实践过程，可视化工具引导我们选择正确的机器学习算法。

备注：
一. 维度灾难（curse of dimensionality）：这一概念是由贝尔曼（Bellman）在1961年首先提出，用来描述以下事实：许多在低维空间表现很好的算法，当输入数据是高维度时，计算就变得不可行。但在机器学习领域的意义：随着样本维度（即特征数目）的增长，正确泛化的难度会以指数级增加，究其原因是同等规模的训练集只能覆盖越来越少的输入空间比例。

来源：InfoQ
作者：Rebecca Bilbro