（点击上方公众号，可快速关注）
编译：数据派- 王紫岳，英文：Austin Cheng
机器学习之旅的开端
在本文中，我将介绍队友（Aron，Ashish，Gabriel）和我如何完成我们的第一个机器学习项目。写这篇博客的目的是为了记录——记录下我作为一名有抱负的数据科学家的旅程。同时，这篇博客也是为了写下逐步完善预测模型背后的思维和推理过程。由于我的目的是建立一个可以快速使用的通用工作流程，所以我将尽可能的简化推理过程。我的最终目标是当某一天再次回顾这个数据集时，可以应用更好的预测模型，看到自己原本可以做出哪些改进，并且能看到自己作为一个数据科学家的成长。数据集
该数据集取自kaggle.com。它包含了79个描述房屋特征的维度，而且描述了爱荷华州埃姆斯几乎所有的房屋。该数据集旨在为有志向的机器学习从业者提供一个玩具示例。在处理这个数据集时我们得到的主要教训是：简单的线性模型也可以十分强大，并且在适当的场景中，它们的表现可以轻松地胜过高度复杂的模型。在接下来的文章中，我将描述我们处理这个数据集所遵循的工作流程，并证实线性模型应该始终在你的工具箱中占有一席之地。数据预处理的工作流程
数据预处理和转换
我们遵循了得到的第一个建议：将目标变量(售价)转化为一个服从正态分布并去除了异常值的变量。前者很重要，因为它确保目标变量的残差将服从正态分布(线性推理模型的基本假设),而后者可以确保我们的模型结果不会因为异常的观测值，特别是那些有很大影响和杠杆效应的值，而产生偏斜(或成为错误的偏差)。下面将举例说明对数转换(log transformation，我们的手动box-cox转换):
在上方的图片中，显示了高度倾斜且未经处理的数据。在下方的图片中，我们展示了经过对数转换后的数据。将两者进行比较，我们可以看到数据在分布上的巨大改进。
在这里我们没有对各个特征进行转换，来使其变成正态分布。虽然，机器学习模型可能会因使用了正态分布的特征而受益，但这将损害结果模型的可解释性。出于这个原因，我们选择不去应用它，而是继续使用去除异常值的方法。下面，我们展示了删除某个变量的异常值后的效果:
左边是未处理的数据，右边是处理过的数据。去除异常值的效果是明显的，因为我们可以看到拟合线发生了明显的偏移。
缺失值与插补
在第二步中，我们花了大量的时间去查找缺失值。而插补却是十分棘手的，因为它需要我们对每一个特征都有深刻的理解。不论是使用均值、中位数、众数、零、空，还是简单地删除观测值或特征本身，都取决于我们认为可以接受的某种预定准则。这种预定准则很多时候靠直觉。下面，我们对缺失值进行定性总结。
顶部显示的是每个特征的缺失值的数量，底部显示的是缺失之间的相关性。
这里我没有深入的探讨处理每个变量缺失值的具体过程(读者可以参考我们在Github上发布的代码来获得具体的解决办法)，而是简单地回顾了一下总体思路。首先，在原则上，任何缺失值超过95%以上的变量都可以被安全地丢弃，但在做之前还是要谨慎一些，因为这些缺失不一定是真实的缺失。从变量缺失值的相关性中提取信息，我们也许可以推断出这些缺失值的含义。例如，与车库紧密相关的缺失值表明了一个房屋没有车库的可能性。另一个基本完全缺失的变量是泳池面积。因此，我们认为缺少泳池面积信息的房屋数据意味着这些房子没有泳池。在这里，我们给出如何在严重缺失的情况下处理变量(一般来说，我们选择保守的方式，即尽可能保留我们可以保留的任何信息)。对于缺失率相对较低的变量(比如缺失值少于5%的观测数据)，如果变量是连续的(或有序的)，我们选择使用均值进行插补;如果变量是类别型的，我们则会使用众数。平均估算法背后的原理是，插补的数据不会改变拟合的斜率，因此不会对模型结果产生偏差。至于众数和中位数(分别在类别变量或数值变量中使用)，除了认为这些观测值归属为最具代表性的组之外，没有更好的解释。虽然这种方式可能会有缺陷，但有时便捷性会比精确性更为重要，特别是当缺失值数量很少的时候(这些特征的缺失值数量在数十个的时候)。为了使缺失值插补的过程更加精确，我会选择基于k近邻或者其他机器学习模型进行插补。另一种被广泛接受的插补方法是用一个非常边缘的数，例如-999(如果所有的观测值都是正实数)。然而，这种插补方法不适用于拟合解析方程的推理模型。因此本例中没有使用-999。第一轮特征选择
我们经常会听到维度诅咒。高维度可能意味着会产生共线变量，而它则会导致拟合系数不准确以及高方差。高维度可能意味着稀疏的数据，也可能意味着特征数量过多从而导致过拟合。这两种情况都不好，因为它们会产生性能较差的模型。相关性研究:消除多重共线性
特征选择的第一次尝试是为了减少系统内部的多重共线性。方法是执行相关性研究，同时对特征进行合并或删除。下面是多重共线性处理前后的相关图:
左侧是原始数据的相关图。右侧是处理后数据的相关图，其中的特征要么被删除，要么被合并。
通过对比可以看到，这种相关性(用深蓝色表示)大大降低了。这是通过去除或组合特征实现的。帮助我们做出正确决定的指标是基于对特征的R平方持续评估:
在左边的图中，与居住面积相关的变量(最后五分之一到最后三分之一)的R平方都大于0.8(大致等于VIF的5)。在右边的图中，适当组合特征后，与居住面积相关的R平方值降低了。
聚类子类别
类别型变量的子类别可以聚类在一起。下面我们来看一个例子:
在这个图中，我们可以看到，所有的不规则子类别(IR1到IR3)的均值都非常接近，但离规则的(Reg)很远。这是一个提示，在简化降低维度后，我们应该把所有的IR聚在一起。
在这个特殊的例子中，我们可以看到，如果我们将所有的不规则类别(IR1到IR3)分组到一个大的子类别中则可能对我们的模型产生有益的影响。之所以说是有益的，是因为在对变量进行哑变量处理之后，与未聚类子类别时相比，特征空间会相对较小。聚类的过程不是人工完成的，而是使用K-means聚类完成的(尽管它是一种非监督的方法)，根据与目标变量相关的变量对子类别进行聚类(在这个数据集中，我们使用变量Gr living area)。特征工程注意事项：应当使用哪种算术运算？
特征工程可以通过交互来完成，而这种交互可以反映为任意两个或多个特征的某种算术运算。例如，乘法和加法可能在最终的模型结果中产生巨大的差异。我们总结出了一个很好的结论：每一个值必须始终服从变量的自然物理单位。例如，如果要合并车库数量和车库面积，应该通过乘法而不是加法来合并。在这种情况下，加法是没有物理意义的。事实上，对这两种操作的测试结果表明：对两个变量的乘法会导致VIF的显著下降，而加法则不会。
不同的社区拥有不同的销售价格。每一个都值得拥有属于它自己的模型。
通过观察社区图，我们可以看到每个社区的表现都是有区别的，并且每一个都遵循一个明确定义的行为。这些社区都有自己的模式。为了实现这一目标，我们创建了一个类似开关的交互参数，方法是将哑变量处理过的社区类别乘以Gr living area。这样，每个社区都可以有自己的一组系数——自己的方程，而不是简单的截距偏移 (类别型变量对广义线性模型的作用)。使用这个特征处理使我们的Kaggle排名下降了。数据流水线
数据集被分割成一个训练集和一个测试集，之后训练集被发送到五个模型中:三个线性模型(Lasso, 岭回归 弹性网络)和两个非线性模型(随机森林，梯度提升)。并对每个模型进行了广泛的网格搜索从而选出最佳超参数。在超参数最优的情况下，利用模型对测试集进行预测，并对测试结果进行比较。下面是初始特征工程的总结:
除了上面所显示的特征工程，我们还尝试了许多类型的特征工程和筛选（从数据集A开始直到数据集C，这些特征工程被依次实现）。虽然我们自己得到的MSE测试分数并不总是与Kaggle排名一致，但所有这些都产生了一个更糟糕的Kaggle排名。下面我们展示了使用数据集A到D的结果:
在图中我们可以看到，弹性网络模型相比于其他的模型有微小的优势。所有的线性模型都优于非线性的树模型。这很好的验证了我们一开始提到的内容：线性模型总有它的一席之地。在这个特定的数据集中,目标变量与其他特征主要体现了线性关系，这使得我们有充分的理由使用线性模型而不是非线性模型。综上所述,即使我们使用线性模型（较为简单的模型）,我们的Kaggle和MSE分数肯定还将得到提高。我们之所以这么说的原因来自下面的图：
左边是测试和训练数据集MSE，右边是随机森林的数据集MSE。两者都显示出过拟合的迹象。
上图显示，测试和训练数据集MSE分数之间存在巨大的差异。对于树模型来说，这可能是有意义的，因为树模型往往会过拟合(当然，使用随机森林的目的正是为了避免这个问题);然而，惩罚线性模型 应该可以缓解这个问题……但事实并非如此。这意味着我们的确可以改进我们的特征筛选与处理。然而，我们尝试了大量的特征筛选操作，同时也考虑了如下图所示的基于特征重要性的排名，但是它们都给了我们负面的反馈。
这个图是Lasso(左)和随机森林(右)的特征重要性。要注意的是，这两个模型的特征重要性是不同的。随机森林模型比Lasso模型更强调连续变量的重要性，因为高基数会导致更大的误差或熵降。我们通过测试，比较了标签编码和one-hot编码，发现他们产生类似的结果(标签编码有轻微的优势)，这就是标签编码比one-hot编码重要的原因。
鉴于特征特征的无用性，我们选择通过递归去除特征来蛮力改进我们的模型。这个想法如下图所示:
左边的示意图显示了我们递归地删除特征的过程。右侧显示了特征被逐渐删除时的MSE变化。突然的跳转很可能是由于一个重要的特征被删除了。
特征的最佳数量由测试误差突然跳跃的位置来表示。通过这种递归的方法，我们可以进一步提高我们的MSE分数:
我们可以看到，使用机器来递归地删除特征是着实有效的。在递归地去除特征后，误差得分显著下降。
最后，我们选择通过集成所有不同的模型，来把所有的东西放在一起。我们是这样做的:
这张图展示了我们使用的集成技术，它很显然被称为堆叠。
集成技术只是不同模型预测值的线性组合。不同模型的权值是从最小化测试集错误分数的权值集中选取的。在将最终结果提交给Kaggle之后，我们的最终分数是0.1214。
尝试新事物和我的结论
作为我们的第一个机器学习项目，我们学到了很多。第一点，也是很重要的一点，我们亲眼看到了线性模型的力量。这是我们预料到的事实。第二点也是更深刻的教训是，我们看到了人类直觉的局限性。长时间的无用的特征工程对我们来说也是一个值得纪念的教训。在这些机器学习的问题中，我们应该始终在人类直觉和依赖机器之间取得平衡。我们花费了太多的时间热衷于研究数据集，尝试找出哪些数据在统计上是重要的或是不重要的，并且在删除特征时又过于犹豫。如果我们果断的处理这些操作，那么他们是很有益的。但问题是，这些EDA和统计测试的结论从来不是非黑即白的——他们很少产生有可操作性的反馈。我们应该做的是，在跟随机哑变量比较重要性时，更快速地研究线性和非线性模型给出的特征重要性。与此同时，我们应该花更多的时间来研究如何执行相关特征子集的PCA。尽管我们在人工特征处理方面做了很多努力，但最终我们仍然遭受了多重共线性的困扰。我们需要更明智地使用机器学习技术。因此，我们从中得到的教训是显而易见的。当然，我们下次会做的更好。原文标题：
My First Machine Learning Project
原文链接：
https://nycdatascience.com/blog/student-works/my-first-machine-learning-project-a-somewhat-generalized-workflow-with-after-thoughts/
看完本文有收获？请转发分享给更多人
关注「大数据与机器学习文摘」，成为Top 1%
好文章，我在看❤️