如何使用5种机器学习算法对罕见事件进行分类

译文
人工智能 机器学习 算法
机器学习是数据科学界的王冠,而监督学习是机器学习界这顶王冠上的宝石。

【51CTO.com快译】机器学习是数据科学界的王冠,而监督学习是机器学习界这顶王冠上的宝石。

背景

几年前《哈佛商业评论》发表过一篇题为《数据科学家:21世纪最性感的工作》的文章。文章发表后,数据科学系或统计系备受大学生追捧,沉闷的数据科学家头回被认为很性感。

对一些行业而言,数据科学家已改变了公司结构,将许多决策交给了一线员工。能够从数据获得实用的业务洞察力从未如此容易。

据吴恩达称,监督学习算法为业界贡献了大部分价值。

监督学习为什么创造如此大的业务价值不容怀疑。银行用它来检测信用卡欺诈,交易员根据模型做出购买决定,工厂对生产线进行过滤以查找有缺陷的零部件。

这些业务场景有两个共同的特征:

  • 二进制结果:欺诈vs不欺诈,购买vs不购买,有缺陷的vs没有缺陷。
  • 不平均的数据分布:一个多数组vs一个少数组。

正如吴恩达最近指出,小数据、稳健性和人为因素是AI项目取得成功的三大障碍。在某种程度上,一个少数组方面的罕见事件问题也是一个小数据问题:机器学习算法从多数组学到更多信息,很容易对小数据组错误分类。

下面是几个事关重大的问题:

  • 对于这些罕见事件,哪种机器学习方法性能更好?
  • 什么度量指标?
  • 有何美中不足?

本文试图通过运用5种机器学习方法处理实际数据集来回答上述问题,附有完整的R实现代码。

有关完整描述和原始数据集,请参阅原始数据集:https://archive.ics.uci.edu/ml/datasets/bank+marketing;有关完整的R代码,请查看我的Github:https://github.com/LeihuaYe/Machine-Learning-Classification-for-Imbalanced-Data

业务问题

葡萄牙一家银行在实施一项新银行服务(定期存款)的营销策略,想知道哪些类型的客户已订购该服务,以便银行可以在将来调整营销策略,锁定特定人群。数据科学家与销售和营销团队合作,提出了统计解决方案,以识别未来订户。

R实现

以下面是模型选择流程和R实现。

1.导入、数据清理和探索性数据分析

不妨加载并清理原始数据集。 

  1. ####load the dataset 
  2.  
  3. banking=read.csv(“bank-additional-full.csv”,sep =”;”,header=T)##check for missing data and make sure no missing data 
  4.  
  5. banking[!complete.cases(banking),]#re-code qualitative (factor) variables into numeric 
  6.  
  7. banking$job= recode(banking$job, “‘admin.’=1;’blue-collar’=2;’entrepreneur’=3;’housemaid’=4;’management’=5;’retired’=6;’self-employed’=7;’services’=8;’student’=9;’technician’=10;’unemployed’=11;’unknown’=12”)#recode variable again 
  8.  
  9. banking$marital = recode(banking$marital, “‘divorced’=1;’married’=2;’single’=3;’unknown’=4”)banking$education = recode(banking$education, “‘basic.4y’=1;’basic.6y’=2;’basic.9y’=3;’high.school’=4;’illiterate’=5;’professional.course’=6;’university.degree’=7;’unknown’=8”)banking$default = recode(banking$default, “‘no’=1;’yes’=2;’unknown’=3”)banking$housing = recode(banking$housing, “‘no’=1;’yes’=2;’unknown’=3”)banking$loan = recode(banking$loan, “‘no’=1;’yes’=2;’unknown’=3”) 
  10.  
  11. banking$contact = recode(banking$loan, “‘cellular’=1;’telephone’=2;”)banking$month = recode(banking$month, “‘mar’=1;’apr’=2;’may’=3;’jun’=4;’jul’=5;’aug’=6;’sep’=7;’oct’=8;’nov’=9;’dec’=10”)banking$day_of_week = recode(banking$day_of_week, “‘mon’=1;’tue’=2;’wed’=3;’thu’=4;’fri’=5;”)banking$poutcome = recode(banking$poutcome, “‘failure’=1;’nonexistent’=2;’success’=3;”)#remove variable “pdays”, b/c it has no variation 
  12.  
  13. banking$pdays=NULL #remove variable “pdays”, b/c itis collinear with the DV 
  14.  
  15. banking$duration=NULL 

清理原始数据似乎很乏味,因为我们要为缺失的变量重新编码,并将定性变量转换成定量变量。清理实际数据要花更长的时间。有言道“数据科学家花80%的时间来清理数据、花20%的时间来构建模型。”

下一步,不妨探究结果变量的分布。 

  1. #EDA of the DV  
  2. plot(banking$y,main="Plot 1: Distribution of Dependent Variable"

使用5种机器学习算法对罕见事件进行分类

图1

由此可见,相关变量(服务订购)并不均匀分布,“No”多过“Yes”。分布不平衡应该会发出一些警告信号,因为数据分布影响最终的统计模型。它很容易使用多数范例(majority case)开发的模型对少数范例(minority case)错误分类。

2. 数据分割

下一步,不妨将数据集分割成两部分:训练集和测试集。通常而言,我们坚持80–20分割:80%是训练集,20%是测试集。如果是时间序列数据,我们基于90%的数据训练模型,将剩余10%的数据作为测试数据集。 

  1. #split the dataset into training and test sets randomly  
  2. set.seed(1)#set seed so as to generate the same value each time we run the code#create an index to split the data: 80% training and 20% test  
  3. index = round(nrow(banking)*0.2,digits=0)#sample randomly throughout the dataset and keep the total number equal to the value of index  
  4. test.indices = sample(1:nrow(banking), index)#80% training set  
  5. banking.train=banking[-test.indices,] #20% test set  
  6. banking.test=banking[test.indices,] #Select the training set except the DV  
  7. YTrain = banking.train$y  
  8. XTrain = banking.train %>% select(-y)# Select the test set except the DV  
  9. YTest = banking.test$y  
  10. XTest = banking.test %>% select(-y) 

这里,不妨创建一个空的跟踪记录。 

  1. records = matrix(NA, nrow=5, ncol=2) 
  2. colnames(records) <- c(“train.error”,”test.error”)  
  3. rownames(records) <- c(“Logistic”,”Tree”,”KNN”,”Random Forests”,”SVM”) 

3. 训练模型

我们在这一节定义一个新的函数(calc_error_rate),运用它计算每个机器学习模型的训练和测试误差。 

  1. calc_error_rate <- function(predicted.value, true.value)  
  2. {return(mean(true.value!=predicted.value))} 

如果预测的标签与实际值不符,该函数就计算比率。

#1 逻辑回归模型

想了解逻辑模型的简介,不妨看看这两篇文章:《机器学习101》(https://towardsdatascience.com/machine-learning-101-predicting-drug-use-using-logistic-regression-in-r-769be90eb03d)和《机器学习102》(https://towardsdatascience.com/machine-learning-102-logistic-regression-with-polynomial-features-98a208688c17)。

不妨添加一个逻辑模型,包括结果变量以外的所有其他变量。由于结果是二进制的,我们将模型设置为二项分布(“family-binomial”)。 

  1. glm.fit = glm(y ~ age+factor(job)+factor(marital)+factor(education)+factor(default)+factor(housing)+factor(loan)+factor(contact)+factor(month)+factor(day_of_week)+campaign+previous+factor(poutcome)+emp.var.rate+cons.price.idx+cons.conf.idx+euribor3m+nr.employed, data=banking.train, family=binomial) 

下一步是获得训练误差。由于我们预测结果的类型并采用多数规则,于是将类型设置为响应式:如果先验概率超过或等于0.5,我们预测结果为yes,否则是no。 

  1. prob.training = predict(glm.fit,type=”response”)banking.train_glm = banking.train %>% #select all rows of the train  
  2. mutate(predicted.value=as.factor(ifelse(prob.training<=0.5, “no”, “yes”))) #create a new variable using mutate and set a majority rule using ifelse# get the training error  
  3. logit_traing_error <- calc_error_rate(predicted.value=banking.train_glm$predicted.value, true.value=YTrain)# get the test error of the logistic model  
  4. prob.test = predict(glm.fit,banking.test,type=”response”)banking.test_glm = banking.test %>% # select rows  
  5. mutate(predicted.value2=as.factor(ifelse(prob.test<=0.5, “no”, “yes”))) # set ruleslogit_test_error <- calc_error_rate(predicted.value=banking.test_glm$predicted.value2, true.value=YTest)# write down the training and test errors of the logistic model 
  6. records[1,] <- c(logit_traing_error,logit_test_error)#write into the first row 

#2 决策树

若是决策树,我们遵循交叉验证,以识别最佳的分割节点。想大致了解决策树,请参阅此文:https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052。 

  1. # finding the best nodes  
  2. # the total number of rows  
  3. nobs = nrow(banking.train)#build a DT model;  
  4. #please refer to this document (https://www.datacamp.com/community/tutorials/decision-trees-R) for constructing a DT model  
  5. bank_tree = tree(y~., data= banking.train,na.action = na.pass,  
  6. control = tree.control(nobs , mincut =2, minsize = 10, mindev = 1e-3))#cross validation to prune the tree  
  7. set.seed(3)  
  8. cv = cv.tree(bank_tree,FUN=prune.misclass, K=10)  
  9. cv#identify the best cv  
  10. best.size.cv = cv$size[which.min(cv$dev)]  
  11. best.size.cv#best = 3bank_tree.pruned<-prune.misclass(bank_tree, best=3)  
  12. summary(bank_tree.pruned) 

交叉验证的最佳大小是3。 

  1. # Training and test errors of bank_tree.pruned  
  2. pred_train = predict(bank_tree.pruned, banking.train, type=”class”)  
  3. pred_test = predict(bank_tree.pruned, banking.test, type=”class”)# training error  
  4. DT_training_error <- calc_error_rate(predicted.value=pred_train, true.value=YTrain)# test error  
  5. DT_test_error <- calc_error_rate(predicted.value=pred_test, true.value=YTest)# write down the errors  
  6. records[2,] <- c(DT_training_error,DT_test_error) 

#3 K最近邻(KNN)

作为一种非参数方法,KNN不需要任何分布的先验知识。简而言之,KNN将k个数量的最近邻分配给相关的单元。

想大致了解,不妨参阅这篇文章《R中的K最近邻入门指南:从菜鸟到高手》:https://towardsdatascience.com/beginners-guide-to-k-nearest-neighbors-in-r-from-zero-to-hero-d92cd4074bdb。想详细了解交叉验证和do.chunk函数,请参阅此文:https://towardsdatascience.com/beginners-guide-to-k-nearest-neighbors-in-r-from-zero-to-hero-d92cd4074bdb

使用交叉验证,我们发现当k = 20时交叉验证误差最小。 

  1. nfold = 10  
  2. set.seed(1)# cut() divides the range into several intervals  
  3. folds = seq.int(nrow(banking.train)) %>%  
  4. cut(breaks = nfold, labels=FALSE) %>%  
  5. sampledo.chunk <- function(chunkid, folddef, Xdat, Ydat, k){  
  6. train = (folddef!=chunkid)# training indexXtr = Xdat[train,] # training set by the indexYtr = Ydat[train] # true label in training setXvl = Xdat[!train,] # test setYvl = Ydat[!train] # true label in test setpredYtr = knn(train = Xtr, test = Xtr, cl = Ytr, k = k) # predict training labelspredYvl = knn(train = Xtr, test = Xvl, cl = Ytr, k = k) # predict test labelsdata.frame(fold =chunkid, # k folds 
  7. train.error = calc_error_rate(predYtr, Ytr),#training error per fold  
  8. val.error = calc_error_rate(predYvl, Yvl)) # test error per fold  
  9. }# set error.folds to save validation errors  
  10. error.folds=NULLcreate a sequence of data with an interval of 10  
  11. kvec = c(1, seq(10, 50, length.out=5))set.seed(1)for (j in kvec){  
  12. tmp = ldply(1:nfold, do.chunk, # apply do.function to each fold  
  13. folddef=folds, Xdat=XTrain, Ydat=YTrain, k=j) # required arguments  
  14. tmp$neighbors = j # track each value of neighbors  
  15. error.folds = rbind(error.folds, tmp) # combine the results  
  16. }#melt() in the package reshape2 melts wide-format data into long-format data  
  17. errors = melt(error.folds, id.vars=c(“fold”,”neighbors”), value.name= “error”) 

随后,不妨找到尽量减少验证误差的最佳K数。 

  1. val.error.means = errors %>%  
  2. filter(variable== “val.error” ) %>%  
  3. group_by(neighbors, variable) %>%  
  4. summarise_each(funs(mean), error) %>%  
  5. ungroup() %>%  
  6. filter(error==min(error))#the best number of neighbors =20  
  7. numneighbor = max(val.error.means$neighbors)  
  8. numneighbor## [20] 

遵循同一步,我们查找训练误差和测试误差。 

  1. #training error  
  2. set.seed(20)  
  3. pred.YTtrain = knn(train=XTrain, test=XTrain, cl=YTrain, k=20)  
  4. knn_traing_error <- calc_error_rate(predicted.value=pred.YTtrain, true.value=YTrain)#test error =0.095set.seed(20)  
  5. pred.YTest = knn(train=XTrain, test=XTest, cl=YTrain, k=20)  
  6. knn_test_error <- calc_error_rate(predicted.value=pred.YTest, true.value=YTest)records[3,] <- c(knn_traing_error,knn_test_error) 

#4 随机森林

我们遵循构建随机森林模型的标准步骤。想大致了解随机森林,参阅此文:https://towardsdatascience.com/understanding-random-forest-58381e0602d2。 

  1. # build a RF model with default settings  
  2. set.seed(1)  
  3. RF_banking_train = randomForest(y ~ ., data=banking.train, importance=TRUE)# predicting outcome classes using training and test sets  
  4. pred_train_RF = predict(RF_banking_train, banking.train, type=”class”)pred_test_RF = predict(RF_banking_train, banking.test, type=”class”)# training error  
  5. RF_training_error <- calc_error_rate(predicted.value=pred_train_RF, true.value=YTrain)# test error  
  6. RF_test_error <- calc_error_rate(predicted.value=pred_test_RF, true.value=YTest)records[4,] <- c(RF_training_error,RF_test_error) 

#5 支持向量机

同样,我们遵循构建支持向量机的标准步骤。想大致了解该方法,请参阅此文:https://towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47。 

  1. set.seed(1)  
  2. tune.out=tune(svm, y ~., data=banking.train,  
  3. kernel=”radial”,ranges=list(cost=c(0.1,1,10)))# find the best parameters  
  4. summary(tune.out)$best.parameters# the best model  
  5. best_model = tune.out$best.modelsvm_fit=svm(y~., data=banking.train,kernel=”radial”,gamma=0.05555556,cost=1,probability=TRUE)# using training/test sets to predict outcome classes  
  6. svm_best_train = predict(svm_fit,banking.train,type=”class”)  
  7. svm_best_test = predict(svm_fit,banking.test,type=”class”)# training error  
  8. svm_training_error <- calc_error_rate(predicted.value=svm_best_train, true.value=YTrain)# test error  
  9. svm_test_error <- calc_error_rate(predicted.value=svm_best_test, true.value=YTest)records[5,] <- c(svm_training_error,svm_test_error) 

4. 模型度量指标

我们已构建了遵循模型选择过程的所有机器学习模型,并获得了训练误差和测试误差。这一节将使用一些模型的度量指标选择最佳模型。

4.1 训练/测试误差

可以使用训练/测试误差找到最佳模型吗?

现在不妨看看结果。

records

图2

这里,随机森林的训练误差最小,不过其他方法有类似的测试误差。你可能注意到,训练误差和测试误差很接近,很难说清楚哪个明显胜出。

此外,分类精度(无论是训练误差还是测试误差)都不应该是高度不平衡数据集的度量指标。这是由于数据集以多数范例为主,即使随机猜测也会得出50%的准确性。更糟糕的是,高度精确的模型可能严重“处罚”少数范例。因此,不妨查看另一个度量指标:ROC曲线。

4.2受试者工作特征(ROC)曲线

ROC是一种图形表示,显示分类模型在所有分类阈值下有怎样的表现。我们更喜欢比其他分类器更快逼近1的分类器。

ROC曲线在同一个图中绘制不同阈值下的两个参数:真阳率(True Positive Rate)和假阳率(False Positive Rate)。

TPR (Recall) = TP/(TP+FN)

FPR = FP/(TN+FP)

图3

在很大程度上,ROC曲线不仅衡量分类准确度,还在TPR和FPR之间达到了很好的平衡。这是罕见事件所需要的,因为我们还想在多数范例和少数范例之间达到平衡。 

  1. load the library  
  2. library(ROCR)#creating a tracking record  
  3. Area_Under_the_Curve = matrix(NA, nrow=5, ncol=1)  
  4. colnames(Area_Under_the_Curve) <- c(“AUC”)  
  5. rownames(Area_Under_the_Curve) <- c(“Logistic”,”Tree”,”KNN”,”Random Forests”,”SVM”)########### logistic regression ###########  
  6. # ROC  
  7. prob_test <- predict(glm.fit,banking.test,type=”response”)  
  8. pred_logit<- prediction(prob_test,banking.test$y)  
  9. performance_logit <- performance(pred_logit,measure = “tpr”, x.measure=”fpr”)########### Decision Tree ###########  
  10. # ROC  
  11. pred_DT<-predict(bank_tree.pruned, banking.test,type=”vector”)  
  12. pred_DT <- prediction(pred_DT[,2],banking.test$y)  
  13. performance_DT <- performance(pred_DT,measure = “tpr”,x.measure= “fpr”)########### KNN ###########  
  14. # ROC  
  15. knn_model = knn(train=XTrain, test=XTrain, cl=YTrain, k=20,prob=TRUE)prob <- attr(knn_model, “prob”)  
  16. prob <- 2*ifelse(knn_model == “-1”, prob,1-prob) — 1  
  17. pred_knn <- prediction(prob, YTrain)  
  18. performance_knn <- performance(pred_knn, “tpr”, “fpr”)########### Random Forests ###########  
  19. # ROC  
  20. pred_RF<-predict(RF_banking_train, banking.test,type=”prob”)  
  21. pred_class_RF <- prediction(pred_RF[,2],banking.test$y) 
  22. performance_RF <- performance(pred_class_RF,measure = “tpr”,x.measure= “fpr”)########### SVM ###########  
  23. # ROC  
  24. svm_fit_prob = predict(svm_fit,type=”prob”,newdata=banking.test,probability=TRUE)  
  25. svm_fit_prob_ROCR = prediction(attr(svm_fit_prob,”probabilities”)[,2],banking.test$y==”yes”)  
  26. performance_svm <- performance(svm_fit_prob_ROCR, “tpr”,”fpr”) 

不妨绘制ROC曲线。

我们添加一条直线,以显示随机分配的概率。我们的分类器其表现胜过随机猜测,是不是? 

  1. #logit  
  2. plot(performance_logit,col=2,lwd=2,main=”ROC Curves for These Five Classification Methods”)legend(0.6, 0.6, c(‘logistic’, ‘Decision Tree’, ‘KNN’,’Random Forests’,’SVM’), 2:6)#decision tree  
  3. plot(performance_DT,col=3,lwd=2,add=TRUE)#knn  
  4. plot(performance_knn,col=4,lwd=2,add=TRUE)#RF  
  5. plot(performance_RF,col=5,lwd=2,add=TRUE)# SVM  
  6. plot(performance_svm,col=6,lwd=2,add=TRUE)abline(0,1) 

图4

这里已分出胜负。

据ROC曲线显示,KNN(蓝色线)高于其他所有方法。

4.3 曲线下面积(AUC)

顾名思义,AUC是ROC曲线下的面积。它是直观的AUC曲线的数学表示。AUC给出了分类器在可能的分类阈值下性能如何的合并结果。 

  1. ########### Logit ###########  
  2. auc_logit = performance(pred_logit, “auc”)@y.values  
  3. Area_Under_the_Curve[1,] <-c(as.numeric(auc_logit))########### Decision Tree ###########  
  4. auc_dt = performance(pred_DT,”auc”)@y.values  
  5. Area_Under_the_Curve[2,] <- c(as.numeric(auc_dt))########### KNN ###########  
  6. auc_knn <- performance(pred_knn,”auc”)@y.values  
  7. Area_Under_the_Curve[3,] <- c(as.numeric(auc_knn))########### Random Forests ###########  
  8. auc_RF = performance(pred_class_RF,”auc”)@y.values  
  9. Area_Under_the_Curve[4,] <- c(as.numeric(auc_RF))########### SVM ###########  
  10. auc_svm<-performance(svm_fit_prob_ROCR,”auc”)@y.values[[1]]  
  11. Area_Under_the_Curve[5,] <- c(as.numeric(auc_svm)) 

不妨查看AUC值。

Area_Under_the_Curve

图5

此外,KNN拥有最大的AUC值(0.847)。

结束语

我们在本文中发现KNN这个非参数分类器的表现胜过参数分类器。就度量指标而言,为罕见事件选择ROC曲线而非分类准确度来得更合理。

原文标题:Classify A Rare Event Using 5 Machine Learning Algorithms,作者:Leihua Ye 

【51CTO译稿,合作站点转载请注明原文译者和出处为51CTO.com】

 

责任编辑:庞桂玉 来源: 51CTO
相关推荐

2022-08-15 15:16:20

机器学习图片深度学习

2022-06-05 21:16:08

机器学习Python

2017-12-12 13:17:36

机器学习代码单元测试

2019-01-23 11:45:47

机器学习人工智能机器人

2021-03-10 14:21:33

人工智能机器学习算法

2023-11-28 12:08:56

机器学习算法人工智能

2022-06-09 09:14:31

机器学习PythonJava

2021-04-18 22:06:29

机器学习算法数据

2019-09-30 10:12:21

机器学习数据映射

2020-12-25 15:24:24

人工智能

2021-06-17 10:27:03

人工智能AI机器学习

2018-04-28 16:20:31

机器学习算法分发链路

2010-05-25 10:11:06

ubuntu Grub

2010-05-26 18:43:42

SVN库

2020-07-28 08:06:24

机器学习技术人工智能

2021-02-22 13:44:41

开发Python金融

2021-04-01 22:19:54

机器学习模型数据

2021-09-27 16:39:10

PythonGif压缩

2018-06-14 14:05:48

机器学习大数据卡通上色

2020-07-08 15:43:26

数据机器学习提取
点赞
收藏

51CTO技术栈公众号