-
Notifications
You must be signed in to change notification settings - Fork 9
/
Copy pathC2W3.ipynb
2524 lines (2524 loc) · 391 KB
/
C2W3.ipynb
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
{
"nbformat": 4,
"nbformat_minor": 0,
"metadata": {
"kernelspec": {
"name": "python3",
"display_name": "Python 3"
},
"colab": {
"name": "C2W3.ipynb",
"version": "0.3.2",
"provenance": [],
"toc_visible": true
}
},
"cells": [
{
"cell_type": "markdown",
"metadata": {
"id": "Y6OutiPNYK-U",
"colab_type": "text"
},
"source": [
"## Предобработка данных и логистическая регрессия для задачи бинарной классификации"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "CNqbwpiAYK-V",
"colab_type": "text"
},
"source": [
"## Programming assignment"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "6mXS0c7KYK-W",
"colab_type": "text"
},
"source": [
"В задании вам будет предложено ознакомиться с основными техниками предобработки данных, а так же применить их для обучения модели логистической регрессии. Ответ потребуется загрузить в соответствующую форму в виде 6 текстовых файлов.\n",
"\n",
"Для выполнения задания требуется Python версии 2.7, а также актуальные версии библиотек:\n",
"- NumPy: 1.10.4 и выше\n",
"- Pandas: 0.17.1 и выше\n",
"- Scikit-learn: 0.17 и выше"
]
},
{
"cell_type": "code",
"metadata": {
"id": "kBJDeW9AYK-W",
"colab_type": "code",
"colab": {}
},
"source": [
"import pandas as pd\n",
"import numpy as np\n",
"import matplotlib\n",
"from matplotlib import pyplot as plt\n",
"matplotlib.style.use('ggplot')\n",
"%matplotlib inline"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "rUL1uKNKYK-Z",
"colab_type": "text"
},
"source": [
"## Описание датасета"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "GadBya6UYK-a",
"colab_type": "text"
},
"source": [
"Задача: по 38 признакам, связанных с заявкой на грант (область исследований учёных, информация по их академическому бэкграунду, размер гранта, область, в которой он выдаётся) предсказать, будет ли заявка принята. Датасет включает в себя информацию по 6000 заявкам на гранты, которые были поданы в университете Мельбурна в период с 2004 по 2008 год.\n",
"\n",
"Полную версию данных с большим количеством признаков можно найти на https://www.kaggle.com/c/unimelb."
]
},
{
"cell_type": "code",
"metadata": {
"id": "vv0mLA4rYK-a",
"colab_type": "code",
"outputId": "eccb3c9b-1724-4fdf-e20a-43da6065d278",
"colab": {
"base_uri": "https://localhost:8080/",
"height": 34
}
},
"source": [
"data = pd.read_csv('https://d3c33hcgiwev3.cloudfront.net/_2c08c1e8e6b68b58239d625ea62070c0_data.csv?Expires=1565395200&Signature=UBngMi4qhOhEeeEEp1rsjhbWu-1HrAW-WVxdaTuM11MhAvaws1Ub0RDTalnA4hSZVCUPTRzOrILMx9Lb71AO98qYAIxbIyQgFR0deomJXWf~PW9qizG-7XVh7smumJYMJ2NgFkb7nTV01ufns3giYYgVJV4Gx8WZXppamXM1oz0_&Key-Pair-Id=APKAJLTNE6QMUY6HBC5A')\n",
"data.shape"
],
"execution_count": 0,
"outputs": [
{
"output_type": "execute_result",
"data": {
"text/plain": [
"(6000, 39)"
]
},
"metadata": {
"tags": []
},
"execution_count": 38
}
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "oeWfHm3nYK-c",
"colab_type": "text"
},
"source": [
"Выделим из датасета целевую переменную Grant.Status и обозначим её за y\n",
"Теперь X обозначает обучающую выборку, y - ответы на ней"
]
},
{
"cell_type": "code",
"metadata": {
"id": "SkjF6z_vYK-d",
"colab_type": "code",
"colab": {}
},
"source": [
"X = data.drop('Grant.Status', 1)\n",
"y = data['Grant.Status']"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "TEb11LA5YK-e",
"colab_type": "text"
},
"source": [
"## Теория по логистической регрессии"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "mPR-WtlTYK-f",
"colab_type": "text"
},
"source": [
"После осознания того, какую именно задачу требуется решить на этих данных, следующим шагом при реальном анализе был бы подбор подходящего метода. В данном задании выбор метода было произведён за вас, это логистическая регрессия. Кратко напомним вам используемую модель.\n",
"\n",
"Логистическая регрессия предсказывает вероятности принадлежности объекта к каждому классу. Сумма ответов логистической регрессии на одном объекте для всех классов равна единице.\n",
"\n",
"$$ \\sum_{k=1}^K \\pi_{ik} = 1, \\quad \\pi_k \\equiv P\\,(y_i = k \\mid x_i, \\theta), $$\n",
"\n",
"где:\n",
"- $\\pi_{ik}$ - вероятность принадлежности объекта $x_i$ из выборки $X$ к классу $k$\n",
"- $\\theta$ - внутренние параметры алгоритма, которые настраиваются в процессе обучения, в случае логистической регрессии - $w, b$\n",
"\n",
"Из этого свойства модели в случае бинарной классификации требуется вычислить лишь вероятность принадлежности объекта к одному из классов (вторая вычисляется из условия нормировки вероятностей). Эта вероятность вычисляется, используя логистическую функцию:\n",
"\n",
"$$ P\\,(y_i = 1 \\mid x_i, \\theta) = \\frac{1}{1 + \\exp(-w^T x_i-b)} $$\n",
"\n",
"Параметры $w$ и $b$ находятся, как решения следующей задачи оптимизации (указаны функционалы с L1 и L2 регуляризацией, с которыми вы познакомились в предыдущих заданиях):\n",
"\n",
"L2-regularization:\n",
"\n",
"$$ Q(X, y, \\theta) = \\frac{1}{2} w^T w + C \\sum_{i=1}^l \\log ( 1 + \\exp(-y_i (w^T x_i + b ) ) ) \\longrightarrow \\min\\limits_{w,b} $$\n",
"\n",
"L1-regularization:\n",
"\n",
"$$ Q(X, y, \\theta) = \\sum_{d=1}^D |w_d| + C \\sum_{i=1}^l \\log ( 1 + \\exp(-y_i (w^T x_i + b ) ) ) \\longrightarrow \\min\\limits_{w,b} $$\n",
"\n",
"$C$ - это стандартный гиперпараметр модели, который регулирует то, насколько сильно мы позволяем модели подстраиваться под данные."
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "0T6sHEkpYK-f",
"colab_type": "text"
},
"source": [
"## Предобработка данных"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "f_hvxiWcYK-g",
"colab_type": "text"
},
"source": [
"Из свойств данной модели следует, что:\n",
"- все $X$ должны быть числовыми данными (в случае наличия среди них категорий, их требуется некоторым способом преобразовать в вещественные числа)\n",
"- среди $X$ не должно быть пропущенных значений (т.е. все пропущенные значения перед применением модели следует каким-то образом заполнить)\n",
"\n",
"Поэтому базовым этапом в предобработке любого датасета для логистической регрессии будет кодирование категориальных признаков, а так же удаление или интерпретация пропущенных значений (при наличии того или другого)."
]
},
{
"cell_type": "code",
"metadata": {
"id": "zFuFfpbsYK-g",
"colab_type": "code",
"outputId": "cbc19b7f-a531-4139-a80f-3f4e4dbbe4b5",
"colab": {
"base_uri": "https://localhost:8080/",
"height": 224
}
},
"source": [
"data.head()"
],
"execution_count": 0,
"outputs": [
{
"output_type": "execute_result",
"data": {
"text/html": [
"<div>\n",
"<style scoped>\n",
" .dataframe tbody tr th:only-of-type {\n",
" vertical-align: middle;\n",
" }\n",
"\n",
" .dataframe tbody tr th {\n",
" vertical-align: top;\n",
" }\n",
"\n",
" .dataframe thead th {\n",
" text-align: right;\n",
" }\n",
"</style>\n",
"<table border=\"1\" class=\"dataframe\">\n",
" <thead>\n",
" <tr style=\"text-align: right;\">\n",
" <th></th>\n",
" <th>Grant.Status</th>\n",
" <th>Sponsor.Code</th>\n",
" <th>Grant.Category.Code</th>\n",
" <th>Contract.Value.Band...see.note.A</th>\n",
" <th>RFCD.Code.1</th>\n",
" <th>RFCD.Percentage.1</th>\n",
" <th>RFCD.Code.2</th>\n",
" <th>RFCD.Percentage.2</th>\n",
" <th>RFCD.Code.3</th>\n",
" <th>RFCD.Percentage.3</th>\n",
" <th>RFCD.Code.4</th>\n",
" <th>RFCD.Percentage.4</th>\n",
" <th>RFCD.Code.5</th>\n",
" <th>RFCD.Percentage.5</th>\n",
" <th>SEO.Code.1</th>\n",
" <th>SEO.Percentage.1</th>\n",
" <th>SEO.Code.2</th>\n",
" <th>SEO.Percentage.2</th>\n",
" <th>SEO.Code.3</th>\n",
" <th>SEO.Percentage.3</th>\n",
" <th>SEO.Code.4</th>\n",
" <th>SEO.Percentage.4</th>\n",
" <th>SEO.Code.5</th>\n",
" <th>SEO.Percentage.5</th>\n",
" <th>Person.ID.1</th>\n",
" <th>Role.1</th>\n",
" <th>Year.of.Birth.1</th>\n",
" <th>Country.of.Birth.1</th>\n",
" <th>Home.Language.1</th>\n",
" <th>Dept.No..1</th>\n",
" <th>Faculty.No..1</th>\n",
" <th>With.PHD.1</th>\n",
" <th>No..of.Years.in.Uni.at.Time.of.Grant.1</th>\n",
" <th>Number.of.Successful.Grant.1</th>\n",
" <th>Number.of.Unsuccessful.Grant.1</th>\n",
" <th>A..1</th>\n",
" <th>A.1</th>\n",
" <th>B.1</th>\n",
" <th>C.1</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>1</td>\n",
" <td>21A</td>\n",
" <td>50A</td>\n",
" <td>A</td>\n",
" <td>230202.0</td>\n",
" <td>50.0</td>\n",
" <td>230203.0</td>\n",
" <td>30.0</td>\n",
" <td>230204.0</td>\n",
" <td>20.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>780101.0</td>\n",
" <td>100.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>493297.0</td>\n",
" <td>CHIEF_INVESTIGATOR</td>\n",
" <td>1965.0</td>\n",
" <td>Australia</td>\n",
" <td>NaN</td>\n",
" <td>3098.0</td>\n",
" <td>31.0</td>\n",
" <td>Yes</td>\n",
" <td>>=0 to 5</td>\n",
" <td>2.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>4.0</td>\n",
" <td>2.0</td>\n",
" <td>0.0</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>1</td>\n",
" <td>4D</td>\n",
" <td>10A</td>\n",
" <td>D</td>\n",
" <td>320801.0</td>\n",
" <td>100.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>730112.0</td>\n",
" <td>100.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>330592.0</td>\n",
" <td>CHIEF_INVESTIGATOR</td>\n",
" <td>1965.0</td>\n",
" <td>Australia</td>\n",
" <td>NaN</td>\n",
" <td>2553.0</td>\n",
" <td>25.0</td>\n",
" <td>Yes</td>\n",
" <td>>=0 to 5</td>\n",
" <td>3.0</td>\n",
" <td>1.0</td>\n",
" <td>0.0</td>\n",
" <td>2.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>0</td>\n",
" <td>NaN</td>\n",
" <td>NaN</td>\n",
" <td>NaN</td>\n",
" <td>320602.0</td>\n",
" <td>50.0</td>\n",
" <td>321004.0</td>\n",
" <td>30.0</td>\n",
" <td>321015.0</td>\n",
" <td>20.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>730203.0</td>\n",
" <td>60.0</td>\n",
" <td>730105.0</td>\n",
" <td>20.0</td>\n",
" <td>730108.0</td>\n",
" <td>20.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>66887.0</td>\n",
" <td>CHIEF_INVESTIGATOR</td>\n",
" <td>1955.0</td>\n",
" <td>Australia</td>\n",
" <td>NaN</td>\n",
" <td>2813.0</td>\n",
" <td>25.0</td>\n",
" <td>NaN</td>\n",
" <td>Less than 0</td>\n",
" <td>1.0</td>\n",
" <td>5.0</td>\n",
" <td>0.0</td>\n",
" <td>7.0</td>\n",
" <td>2.0</td>\n",
" <td>0.0</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>0</td>\n",
" <td>51C</td>\n",
" <td>20C</td>\n",
" <td>A</td>\n",
" <td>291503.0</td>\n",
" <td>60.0</td>\n",
" <td>321402.0</td>\n",
" <td>40.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>730114.0</td>\n",
" <td>60.0</td>\n",
" <td>671401.0</td>\n",
" <td>40.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>63812.0</td>\n",
" <td>CHIEF_INVESTIGATOR</td>\n",
" <td>1950.0</td>\n",
" <td>Great Britain</td>\n",
" <td>NaN</td>\n",
" <td>2553.0</td>\n",
" <td>25.0</td>\n",
" <td>NaN</td>\n",
" <td>more than 15</td>\n",
" <td>2.0</td>\n",
" <td>1.0</td>\n",
" <td>5.0</td>\n",
" <td>6.0</td>\n",
" <td>9.0</td>\n",
" <td>1.0</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>0</td>\n",
" <td>24D</td>\n",
" <td>30B</td>\n",
" <td>NaN</td>\n",
" <td>380107.0</td>\n",
" <td>100.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>730108.0</td>\n",
" <td>50.0</td>\n",
" <td>730306.0</td>\n",
" <td>50.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>13687.0</td>\n",
" <td>CHIEF_INVESTIGATOR</td>\n",
" <td>1970.0</td>\n",
" <td>Australia</td>\n",
" <td>NaN</td>\n",
" <td>2923.0</td>\n",
" <td>25.0</td>\n",
" <td>NaN</td>\n",
" <td>Less than 0</td>\n",
" <td>0.0</td>\n",
" <td>2.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" <td>0.0</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"</div>"
],
"text/plain": [
" Grant.Status Sponsor.Code Grant.Category.Code ... A.1 B.1 C.1\n",
"0 1 21A 50A ... 4.0 2.0 0.0\n",
"1 1 4D 10A ... 2.0 0.0 0.0\n",
"2 0 NaN NaN ... 7.0 2.0 0.0\n",
"3 0 51C 20C ... 6.0 9.0 1.0\n",
"4 0 24D 30B ... 0.0 0.0 0.0\n",
"\n",
"[5 rows x 39 columns]"
]
},
"metadata": {
"tags": []
},
"execution_count": 40
}
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "3zD4EzbcYK-i",
"colab_type": "text"
},
"source": [
"Видно, что в датасете есть как числовые, так и категориальные признаки. Получим списки их названий:"
]
},
{
"cell_type": "code",
"metadata": {
"id": "Qk-XXMbOYK-i",
"colab_type": "code",
"colab": {}
},
"source": [
"numeric_cols = ['RFCD.Percentage.1', 'RFCD.Percentage.2', 'RFCD.Percentage.3', \n",
" 'RFCD.Percentage.4', 'RFCD.Percentage.5',\n",
" 'SEO.Percentage.1', 'SEO.Percentage.2', 'SEO.Percentage.3',\n",
" 'SEO.Percentage.4', 'SEO.Percentage.5',\n",
" 'Year.of.Birth.1', 'Number.of.Successful.Grant.1', 'Number.of.Unsuccessful.Grant.1']\n",
"categorical_cols = list(set(X.columns.values.tolist()) - set(numeric_cols))"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "ueU6zCzUYK-k",
"colab_type": "text"
},
"source": [
"Также в нём присутствуют пропущенные значения. Очевидны решением будет исключение всех данных, у которых пропущено хотя бы одно значение. Сделаем это:"
]
},
{
"cell_type": "code",
"metadata": {
"id": "2bUJ-StvYK-l",
"colab_type": "code",
"outputId": "60a70b63-3747-4068-bd6d-20d7cf570b93",
"colab": {
"base_uri": "https://localhost:8080/",
"height": 34
}
},
"source": [
"data.dropna().shape"
],
"execution_count": 0,
"outputs": [
{
"output_type": "execute_result",
"data": {
"text/plain": [
"(213, 39)"
]
},
"metadata": {
"tags": []
},
"execution_count": 42
}
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "-nWo7dfpYK-n",
"colab_type": "text"
},
"source": [
"Видно, что тогда мы выбросим почти все данные, и такой метод решения в данном случае не сработает.\n",
"\n",
"Пропущенные значения можно так же интерпретировать, для этого существует несколько способов, они различаются для категориальных и вещественных признаков.\n",
"\n",
"Для вещественных признаков:\n",
"- заменить на 0 (данный признак давать вклад в предсказание для данного объекта не будет)\n",
"- заменить на среднее (каждый пропущенный признак будет давать такой же вклад, как и среднее значение признака на датасете)\n",
"\n",
"Для категориальных:\n",
"- интерпретировать пропущенное значение, как ещё одну категорию (данный способ является самым естественным, так как в случае категорий у нас есть уникальная возможность не потерять информацию о наличии пропущенных значений; обратите внимание, что в случае вещественных признаков данная информация неизбежно теряется)"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "VWaGQWJdYK-o",
"colab_type": "text"
},
"source": [
"## Задание 0. Обработка пропущенных значений.\n",
"1. Заполните пропущенные вещественные значения в X нулями и средними по столбцам, назовите полученные датафреймы X_real_zeros и X_real_mean соответственно. Для подсчёта средних используйте описанную ниже функцию calculate_means, которой требуется передать на вход вешественные признаки из исходного датафрейма.\n",
"2. Все категориальные признаки в X преобразуйте в строки, пропущенные значения требуется также преобразовать в какие-либо строки, которые не являются категориями (например, 'NA'), полученный датафрейм назовите X_cat.\n",
"\n",
"Для объединения выборок здесь и далее в задании рекомендуется использовать функции\n",
"\n",
" np.hstack(...)\n",
" np.vstack(...)"
]
},
{
"cell_type": "code",
"metadata": {
"id": "OeD4-nIGYK-o",
"colab_type": "code",
"colab": {}
},
"source": [
"def calculate_means(numeric_data):\n",
" means = np.zeros(numeric_data.shape[1])\n",
" for j in range(numeric_data.shape[1]):\n",
" to_sum = numeric_data.iloc[:,j]\n",
" indices = np.nonzero(~numeric_data.iloc[:,j].isnull())[0]\n",
" correction = np.amax(to_sum[indices])\n",
" to_sum /= correction\n",
" for i in indices:\n",
" means[j] += to_sum[i]\n",
" means[j] /= indices.size\n",
" means[j] *= correction\n",
" return pd.Series(means, numeric_data.columns)"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "code",
"metadata": {
"id": "ijmpcCvoYK-q",
"colab_type": "code",
"colab": {}
},
"source": [
"X_real_zeros = X[numeric_cols].fillna(0)"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "code",
"metadata": {
"id": "h6QZelkZgpP6",
"colab_type": "code",
"outputId": "00c24e08-56b5-40c7-b1a8-73dba90a5037",
"colab": {
"base_uri": "https://localhost:8080/",
"height": 190
}
},
"source": [
"means = calculate_means(X[numeric_cols])\n",
"X_real_mean = X[numeric_cols]\n",
"for col in numeric_cols:\n",
" X_real_mean[col] = X_real_mean[col].fillna(means[col], )\n",
"X_real_mean.isna().sum().sum()"
],
"execution_count": 0,
"outputs": [
{
"output_type": "stream",
"text": [
"/usr/local/lib/python3.6/dist-packages/numpy/core/fromnumeric.py:56: FutureWarning: Series.nonzero() is deprecated and will be removed in a future version.Use Series.to_numpy().nonzero() instead\n",
" return getattr(obj, method)(*args, **kwds)\n",
"/usr/local/lib/python3.6/dist-packages/ipykernel_launcher.py:4: SettingWithCopyWarning: \n",
"A value is trying to be set on a copy of a slice from a DataFrame.\n",
"Try using .loc[row_indexer,col_indexer] = value instead\n",
"\n",
"See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy\n",
" after removing the cwd from sys.path.\n"
],
"name": "stderr"
},
{
"output_type": "execute_result",
"data": {
"text/plain": [
"0"
]
},
"metadata": {
"tags": []
},
"execution_count": 45
}
]
},
{
"cell_type": "code",
"metadata": {
"id": "AT5-m2XNjSAh",
"colab_type": "code",
"colab": {}
},
"source": [
"X_cat = X[categorical_cols].fillna('NA').astype(str)"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "ENusNOpHYK-t",
"colab_type": "text"
},
"source": [
"## Преобразование категориальных признаков."
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "CQ9vof7DYK-t",
"colab_type": "text"
},
"source": [
"В предыдущей ячейке мы разделили наш датасет ещё на две части: в одной присутствуют только вещественные признаки, в другой только категориальные. Это понадобится нам для раздельной последующей обработке этих данных, а так же для сравнения качества работы тех или иных методов.\n",
"\n",
"Для использования модели регрессии требуется преобразовать категориальные признаки в вещественные. Рассмотрим основной способ преоборазования категориальных признаков в вещественные: one-hot encoding. Его идея заключается в том, что мы преобразуем категориальный признак при помощи бинарного кода: каждой категории ставим в соответствие набор из нулей и единиц.\n",
"\n",
"Посмотрим, как данный метод работает на простом наборе данных."
]
},
{
"cell_type": "code",
"metadata": {
"id": "TUsFLuHcYK-u",
"colab_type": "code",
"outputId": "bc714c58-c386-48e4-e669-a8265e5f7470",
"colab": {
"base_uri": "https://localhost:8080/",
"height": 255
}
},
"source": [
"from sklearn.linear_model import LogisticRegression as LR\n",
"from sklearn.feature_extraction import DictVectorizer as DV\n",
"\n",
"categorial_data = pd.DataFrame({'sex': ['male', 'female', 'male', 'female'], \n",
" 'nationality': ['American', 'European', 'Asian', 'European']})\n",
"print('Исходные данные:\\n')\n",
"print(categorial_data)\n",
"encoder = DV(sparse = False)\n",
"encoded_data = encoder.fit_transform(categorial_data.T.to_dict().values())\n",
"print('\\nЗакодированные данные:\\n')\n",
"print(encoded_data)"
],
"execution_count": 0,
"outputs": [
{
"output_type": "stream",
"text": [
"Исходные данные:\n",
"\n",
" sex nationality\n",
"0 male American\n",
"1 female European\n",
"2 male Asian\n",
"3 female European\n",
"\n",
"Закодированные данные:\n",
"\n",
"[[1. 0. 0. 0. 1.]\n",
" [0. 0. 1. 1. 0.]\n",
" [0. 1. 0. 0. 1.]\n",
" [0. 0. 1. 1. 0.]]\n"
],
"name": "stdout"
}
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "DLq6DCxdYK-w",
"colab_type": "text"
},
"source": [
"Как видно, в первые три колонки оказалась закодированна информация о стране, а во вторые две - о поле. При этом для совпадающих элементов выборки строки будут полностью совпадать. Также из примера видно, что кодирование признаков сильно увеличивает их количество, но полностью сохраняет информацию, в том числе о наличии пропущенных значений (их наличие просто становится одним из бинарных признаков в преобразованных данных).\n",
"\n",
"Теперь применим one-hot encoding к категориальным признакам из исходного датасета. Обратите внимание на общий для всех методов преобработки данных интерфейс. Функция\n",
"\n",
" encoder.fit_transform(X)\n",
" \n",
"позволяет вычислить необходимые параметры преобразования, впоследствии к новым данным можно уже применять функцию\n",
"\n",
" encoder.transform(X)\n",
" \n",
"Очень важно применять одинаковое преобразование как к обучающим, так и тестовым данным, потому что в противном случае вы получите непредсказуемые, и, скорее всего, плохие результаты. В частности, если вы отдельно закодируете обучающую и тестовую выборку, то получите вообще говоря разные коды для одних и тех же признаков, и ваше решение работать не будет.\n",
"\n",
"Также параметры многих преобразований (например, рассмотренное ниже масштабирование) нельзя вычислять одновременно на данных из обучения и теста, потому что иначе подсчитанные на тесте метрики качества будут давать смещённые оценки на качество работы алгоритма. Кодирование категориальных признаков не считает на обучающей выборке никаких параметров, поэтому его можно применять сразу к всему датасету."
]
},
{
"cell_type": "code",
"metadata": {
"id": "kk2tcD9mYK-w",
"colab_type": "code",
"colab": {}
},
"source": [
"encoder = DV(sparse = False)\n",
"X_cat_oh = encoder.fit_transform(X_cat.T.to_dict().values())"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "ztsSs7vbYK-y",
"colab_type": "text"
},
"source": [
"Для построения метрики качества по результату обучения требуется разделить исходный датасет на обучающую и тестовую выборки.\n",
"\n",
"Обращаем внимание на заданный параметр для генератора случайных чисел: random_state. Так как результаты на обучении и тесте будут зависеть от того, как именно вы разделите объекты, то предлагается использовать заранее определённое значение для получение результатов, согласованных с ответами в системе проверки заданий."
]
},
{
"cell_type": "code",
"metadata": {
"id": "e-rRamA-YK-z",
"colab_type": "code",
"colab": {}
},
"source": [
"from sklearn.model_selection import train_test_split\n",
"\n",
"(X_train_real_zeros, \n",
" X_test_real_zeros, \n",
" y_train, y_test) = train_test_split(X_real_zeros, y, \n",
" test_size=0.3, \n",
" random_state=0)\n",
"(X_train_real_mean, \n",
" X_test_real_mean) = train_test_split(X_real_mean, \n",
" test_size=0.3, \n",
" random_state=0)\n",
"(X_train_cat_oh,\n",
" X_test_cat_oh) = train_test_split(X_cat_oh, \n",
" test_size=0.3, \n",
" random_state=0)"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "markdown",
"metadata": {
"id": "FVAjyKXDYK-0",
"colab_type": "text"
},
"source": [
"## Описание классов"
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "OF1IBSocYK-1",
"colab_type": "text"
},
"source": [
"Итак, мы получили первые наборы данных, для которых выполнены оба ограничения логистической регрессии на входные данные. Обучим на них регрессию, используя имеющийся в библиотеке sklearn функционал по подбору гиперпараметров модели\n",
" \n",
" optimizer = GridSearchCV(estimator, param_grid)\n",
"\n",
"где:\n",
"- estimator - обучающий алгоритм, для которого будет производиться подбор параметров\n",
"- param_grid - словарь параметров, ключами которого являются строки-названия, которые передаются алгоритму estimator, а значения - набор параметров для перебора\n",
"\n",
"Данный класс выполняет кросс-валидацию обучающей выборки для каждого набора параметров и находит те, на которых алгоритм работает лучше всего. Этот метод позволяет настраивать гиперпараметры по обучающей выборке, избегая переобучения. Некоторые опциональные параметры вызова данного класса, которые нам понадобятся:\n",
"- scoring - функционал качества, максимум которого ищется кросс валидацией, по умолчанию используется функция score() класса esimator\n",
"- n_jobs - позволяет ускорить кросс-валидацию, выполняя её параллельно, число определяет количество одновременно запущенных задач\n",
"- cv - количество фолдов, на которые разбивается выборка при кросс-валидации\n",
"\n",
"После инициализации класса GridSearchCV, процесс подбора параметров запускается следующим методом:\n",
"\n",
" optimizer.fit(X, y)\n",
" \n",
"На выходе для получения предсказаний можно пользоваться функцией\n",
"\n",
" optimizer.predict(X)\n",
" \n",
"для меток или\n",
"\n",
" optimizer.predict_proba(X)\n",
" \n",
"для вероятностей (в случае использования логистической регрессии).\n",
" \n",
"Также можно напрямую получить оптимальный класс estimator и оптимальные параметры, так как они является атрибутами класса GridSearchCV:\n",
"- best\\_estimator\\_ - лучший алгоритм\n",
"- best\\_params\\_ - лучший набор параметров\n",
"\n",
"Класс логистической регрессии выглядит следующим образом:\n",
"\n",
" estimator = LogisticRegression(penalty)\n",
" \n",
"где penalty принимает либо значение 'l2', либо 'l1'. По умолчанию устанавливается значение 'l2', и везде в задании, если об этом не оговорено особо, предполагается использование логистической регрессии с L2-регуляризацией."
]
},
{
"cell_type": "markdown",
"metadata": {
"id": "fB5iXQQ4YK-2",
"colab_type": "text"
},
"source": [
"## Задание 1. Сравнение способов заполнения вещественных пропущенных значений.\n",
"1. Составьте две обучающие выборки из вещественных и категориальных признаков: в одной вещественные признаки, где пропущенные значения заполнены нулями, в другой - средними. Рекомендуется записывать в выборки сначала вещественные, а потом категориальные признаки.\n",
"2. Обучите на них логистическую регрессию, подбирая параметры из заданной сетки param_grid по методу кросс-валидации с числом фолдов cv=3. В качестве оптимизируемой функции используйте заданную по умолчанию.\n",
"3. Постройте два графика оценок точности +- их стандратного отклонения в зависимости от гиперпараметра и убедитесь, что вы действительно нашли её максимум. Также обратите внимание на большую дисперсию получаемых оценок (уменьшить её можно увеличением числа фолдов cv).\n",
"4. Получите две метрики качества AUC ROC на тестовой выборке и сравните их между собой. Какой способ заполнения пропущенных вещественных значений работает лучше? В дальнейшем для выполнения задания в качестве вещественных признаков используйте ту выборку, которая даёт лучшее качество на тесте.\n",
"5. Передайте два значения AUC ROC (сначала для выборки, заполненной средними, потом для выборки, заполненной нулями) в функцию write_answer_1 и запустите её. Полученный файл является ответом на 1 задание.\n",
"\n",
"Информация для интересующихся: вообще говоря, не вполне логично оптимизировать на кросс-валидации заданный по умолчанию в классе логистической регрессии функционал accuracy, а измерять на тесте AUC ROC, но это, как и ограничение размера выборки, сделано для ускорения работы процесса кросс-валидации."
]
},
{
"cell_type": "code",
"metadata": {
"id": "42vyKGq7YK-2",
"colab_type": "code",
"colab": {}
},
"source": [
"from sklearn.linear_model import LogisticRegression\n",
"from sklearn.model_selection import GridSearchCV\n",
"from sklearn.metrics import roc_auc_score\n",
"\n",
"def plot_scores(optimizer):\n",
" par_C = [row['C'] for row in optimizer.cv_results_['params']]\n",
" test_score = optimizer.cv_results_['mean_test_score']\n",
" std_test_score = optimizer.cv_results_['std_test_score']\n",
" plt.fill_between(par_C, test_score-std_test_score, \n",
" test_score+std_test_score, alpha=0.3)\n",
" plt.semilogx(par_C, test_score) \n",
" plt.show()\n",
" \n",
"def write_answer_1(auc_1, auc_2):\n",
" auc = (auc_1 + auc_2)/2\n",
" with open(\"preprocessing_lr_answer1.txt\", \"w\") as fout:\n",
" fout.write(str(auc))\n",
" \n",
"param_grid = {'C': [0.01, 0.05, 0.1, 0.5, 1, 5, 10]}\n",
"cv = 3\n"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "code",
"metadata": {
"id": "UnVpJ5qsvLte",
"colab_type": "code",
"colab": {}
},
"source": [
"X_zeros_train = np.hstack((X_train_real_zeros, X_train_cat_oh))\n",
"X_means_train = np.hstack((X_train_real_mean, X_train_cat_oh))\n",
"X_zeros_test = np.hstack((X_test_real_zeros, X_test_cat_oh))\n",
"X_means_test = np.hstack((X_test_real_mean, X_test_cat_oh))"
],
"execution_count": 0,
"outputs": []
},
{
"cell_type": "code",
"metadata": {
"id": "hBl0KNeEwD-X",