一．数据可视化
1.数据分布情况
2.直方图
3.PCA（Principal Component Analysis，主成分分析）
1. 降维可以缓解维度灾难问题
2.降维可以在压缩数据的同时让信息损失最小化
3.理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解
你正在拍摄一个水壶。水壶是三维的，但是照片是二维的，为了更全面的把水壶展示给客户，你需要从不同角度拍几张图片。下图是你从四个方向拍的照片：
第一张图里水壶的背面可以看到，但是看不到前面。第二张图是拍前面，可以看到壶嘴，这张图可以提供了第一张图缺失的信息，但是壶把看不到了。从第三张俯视图里无法看出壶的高度。第四张图是你真正想要的，水壶的高度，顶部，壶嘴和壶把都清晰可见。
PCA的设计理念与此类似，它可以将高维数据集映射到低维空间的同时，尽可能的保留更多变量
二．异常值处理
1.重复值删除：
2.离群值处理：
箱形图
箱形图分析和绘制方法
例子：
一组有序数12，15，17，19，20，23，25，28，30，33，34，35，36，37
下四分位数Q1
Q1所在的位置=（14+1）/4=3.75，
Q1=0.25×第三项+0.75×第四项=0.25×17+0.75×19=18.5
中位数（第二个四分位数）Q2
Q2所在的位置=2（14+1）/4=7.5，
Q2=0.5×第七项+0.5×第八项=0.5×25+0.5×28=26.5
上四分位数Q3
Q3所在的位置=3（14+1）/4=11.25，
Q3=0.75×第十一项+0.25×第十二项=0.75×34+0.25×35=34.25
上限
四分位距IQR=Q3-Q1，那么上限=Q3+1.5IQR
下限
下限=Q1-1.5IQR
三．缺失值处理
少量缺失值的数据可以直接删除（data.dropna()），有多个缺失值的特征数据，利用回归算法填充。
机器学习分为“监督学习”和“无监督学习”。“监督学习”又分为“回归”和“分类”。
回归：银行根据你的工资和年龄，决定贷你多少钱。输出值：1万，2万，n万等。结果是连续的值
分类：银行根据你的工资和年龄，决定是否要给你放款。输出值：是和否。结果是离散的值
典型的回归问题：预测房价
填补月工资缺失值（随机森林法）：
四．分类模型评估
1.交叉验证（Cross Validation）
K折交叉验证（K-CV）
将原始数据分成K组（一般是均分），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标\
2.混淆矩阵
四个基础指标，一级指标
FN：False Negative,模型预测为负样本，但事实上是正样本
FP：False Positive, 模型预测为正样本，但事实上是负样本
TN：True Negative, 模型预测为负样本，事实上也是负样本
TP：True Positive, 模型预测为正样本，事实上也是正样本
将这四个指标一起呈现在表格中，就能得到如下这样一个矩阵，我们称它为混淆矩阵（Confusion Matrix）
预测性分类模型，肯定是希望越准越好。那么，对应到混淆矩阵中，那肯定是希望TP与TN的数量大，而FP与FN的数量小。所以当我们得到了模型的混淆矩阵后，就需要去看有多少观测值在第二、四象限对应的位置，这里的数值越多越好；反之，在第一、三四象限对应位置出现的观测值肯定是越少越好
二级指标
混淆矩阵里面统计的是个数，有时候面对大量的数据，光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标，他们是二级指标
准确率（Accuracy）—— 针对整个模型
精确率（Precision）
灵敏度（Sensitivity）：就是召回率（Recall）
特异度（Specificity）
三级指标
这个指标叫做F1 Score。他的计算公式是：
其中，P代表Precision，R代表Recall。
F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。
混淆矩阵实例
Accuracy
在总共66个动物中，我们一共预测对了10 + 15 + 20=45个样本，所以准确率（Accuracy）=45/66 = 68.2%
以猫为例，我们可以将上面的图合并为二分问题
Precision
所以，以猫为例，模型的结果告诉我们，66只动物里有13只是猫，但是其实这13只猫只有10只预测对了。模型认为是猫的13只动物里，有1条狗，两只猪。所以，Precision（猫）= 10/13 = 76.9%
Recall
以猫为例，在总共18只真猫中，我们的模型认为里面只有10只是猫，剩下的3只是狗，5只都是猪。这5只八成是橘猫，能理解。所以，Recall（猫）= 10/18 = 55.6%
Specificity
以猫为例，在总共48只不是猫的动物中，模型认为有45只不是猫。所以，Specificity（猫）= 45/48 = 93.8%。
虽然在45只动物里，模型依然认为错判了6只狗与4只猫，但是从猫的角度而言，模型的判断是没有错的。
F1-Score
通过公式，可以计算出，对猫而言，F1-Score=（2 * 0.769 * 0.556）/（ 0.769 + 0.556）= 64.54%
2.ROC曲线和AUC
横轴是FPR（FP / (FP + TN)），纵轴是TPR（TP /
(TP + FN)），即Recall
AUC值越大说明模型预测效果越好
那么为什么要用AUC作为二分类模型的评价指标呢？为什么不直接通过计算准确率来对模型进行评价呢？
因为机器学习中的很多模型对于分类问题的预测结果大多是概率，即属于某个类别的概率，如果计算准确率的话，就要把概率转化为类别，这就需要设定一个阈值，概率大于某个阈值的属于一类，概率小于某个阈值的属于另一类，而阈值的设定直接影响了准确率的计算。也就是说AUC越高说明阈值分割所能达到的准确率越高
五．刷榜利器XGBoost
特征重要性
网友评论