介绍

当从事机器学习项目时，所有数据科学家都必须面对的一个问题是：哪种机器学习模型架构最适合我的数据呢?

不幸的是，对于哪种模型最好，还没有明确的答案。当面对这种不确定性的时候，常用的方法是:实验!

在本文中，我将向您展示如何快速测试数据集上的多个模型，以找到可能提供最佳性能的机器学习模型，从而使您能够将精力集中在模型的微调和优化上。

机器学习数据集

在开始实验之前，我们需要一个数据集。我将假设我们的问题是有监督的二元分类任务。让我们从sklearn加载乳腺癌数据集开始。

from sklearn.datasets import load_breast_cancer
X, y = data = load_breast_cancer(return_X_y=True)

接下来，我们需要将数据拆分为训练集和测试集。拆分比例为75/25。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=8675309)

Python编码

我们将在此数据集上快速测试6种不同模型的拟合度。

1. 逻辑回归
2. 随机森林
3. K最近邻居
4. 支持向量机
5. 高斯朴素贝叶斯
6. XGBoost

为了更准确地表示每个模型的拟合度，实际上是需要调整默认参数的，但是，本文出于演示目的，我将使用每个模型的默认参数，这样可以使总体思路更加清晰。

from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.naive_bayes import GaussianNB
from xgboost import XGBClassifier
from sklearn import model_selection
from sklearn.utils import class_weight
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
import numpy as np
import pandas as pd
def run_exps(X_train: pd.DataFrame , y_train: pd.DataFrame, X_test: pd.DataFrame, y_test: pd.DataFrame) -> pd.DataFrame:
    '''
    Lightweight script to test many models and find winners
:param X_train: training split
    :param y_train: training target vector
    :param X_test: test split
    :param y_test: test target vector
    :return: DataFrame of predictions
    '''    
    dfs = []
    models = [
          ('LogReg', LogisticRegression()), 
          ('RF', RandomForestClassifier()),
          ('KNN', KNeighborsClassifier()),
          ('SVM', SVC()), 
          ('GNB', GaussianNB()),
          ('XGB', XGBClassifier())
        ]
    results = []
    names = []
    scoring = ['accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted', 'roc_auc']
    target_names = ['malignant', 'benign']
    for name, model in models:
        kfold = model_selection.KFold(n_splits=5, shuffle=True, random_state=90210)
        cv_results = model_selection.cross_validate(model, X_train, y_train, cv=kfold, scoring=scoring)
        clf = model.fit(X_train, y_train)
        y_pred = clf.predict(X_test)
        print(name)
        print(classification_report(y_test, y_pred, target_names=target_names))
        results.append(cv_results)
        names.append(name)
        this_df = pd.DataFrame(cv_results)
        this_df['model'] = name
        dfs.append(this_df)
    final = pd.concat(dfs, ignore_index=True)
    return final
final=run_exps(X_train,y_train, X_test,  y_test )
final

在上面的Python代码中有很多东西需要解释。首先，我们创建一个变量dfs，该变量用来保存通过对训练集上应用5-fold交叉验证创建的数据集。

接下来，models保存在元组列表中，其中包含要测试的每个分类器的名称和类。在此之后，我们循环遍历这个列表并运行5-fold交叉验证。每次运行的结果都记录在我们附加到dfs列表的pandas dataframe中。必须注意，这里指标是两个类的加权平均指标。

测试集上的分类报告如下：

评估结果

我们将分析从run_exps()脚本返回的final（dataframe）中的数据。

为了更好地估计每个模型的指标分布，我在30个样本上运行了empirical bootstrapping。此外，我将关注两个指标:性能指标和拟合时间指标。下面的Python代码块实现了这一点。

bootstraps = []
for model in list(set(final.model.values)):
    model_df = final.loc[final.model == model]
    bootstrap = model_df.sample(n=30, replace=True)
    bootstraps.append(bootstrap)
        
bootstrap_df = pd.concat(bootstraps, ignore_index=True)
results_long = pd.melt(bootstrap_df,id_vars=['model'],var_name='metrics', value_name='values')
time_metrics = ['fit_time','score_time'] # fit time metrics
## PERFORMANCE METRICS
results_long_nofit = results_long.loc[~results_long['metrics'].isin(time_metrics)] # get df without fit data
results_long_nofit = results_long_nofit.sort_values(by='values')
## TIME METRICS
results_long_fit = results_long.loc[results_long['metrics'].isin(time_metrics)] # df with fit data
results_long_fit = results_long_fit.sort_values(by='values')

首先，让我们绘制来自5-fold交叉验证的性能指标。

import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(20, 12))
sns.set(font_scale=2.5)
g = sns.boxplot(x="model", y="values", hue="metrics", data=results_long_nofit, palette="Set3")
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
plt.title('Comparison of Model by Classification Metric')
#plt.savefig('./benchmark_models_performance.png',dpi=300)
plt.show()

很明显，支持向量机在所有指标上对我们的数据的拟合度都很差，而集成决策树模型(Random Forest和XGBoost)对数据的拟合非常好。

训练时间怎么样呢?

plt.figure(figsize=(20, 12))
sns.set(font_scale=2.5)
g = sns.boxplot(x="model", y="values", hue="metrics", data=results_long_fit, palette="Set3")
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
plt.title('Comparison of Model by Fit and Score Time')
plt.show()

随机森林虽然相对于KNN、GNB和LogReg来说比较慢，但其性能仅次于KNN。如果我继续细化模型，我可能会将大部分精力集中在随机森林上，因为它的性能几乎与XGBoost相同(它们的95%置信区间可能重叠)，但训练速度几乎快了4倍!

如果您希望对这些模型进行更多的分析(例如，计算每个度量标准的置信区间)，您将需要访问每个度量标准的均值和标准差。

metrics = list(set(results_long_nofit.metrics.values))
bootstrap_df.groupby(['model'])[metrics].agg([np.std, np.mean])

time_metrics = list(set(results_long_fit.metrics.values))
bootstrap_df.groupby(['model'])[time_metrics].agg([np.std, np.mean])

结论

上述分析只考虑了平均精度、召回率等。在实际问题中，您不太可能关心类之间的平均精度，相反，您可能会特别关注某个类的精度!此外，必须调整每个机器学习模型的超参数，以真正评估它们与数据的拟合程度。