Titanicコンペで機械学習入門

機械学習の基本的な部分を学ぶにあたって、KaggleのTitanicコンペに取り組みました。
いくつかのモデルを作成したので、そのまとめを書き置きます。

#事前処理

• データの読み込み
• ダミー変数化
• 学習用と評価用にデータを分割　　…など

import pandas as pd
train= pd.read_csv('./titanic/train.csv')

#変数の処理など良い感じにいろいろ処理
def preprocessing(data):
    df = data.dropna() #例：欠損値の処理とか
    df = pd.get_dummies(df, drop_first=True) #例：カテゴリ変数をダミー変数化とか
    return df
train = preprocessing(train)

from sklearn.model_selection import train_test_split
x = train.drop("Survived", axis=1).values
y = train["Survived"]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=0)

#決定木
##概要
図のようにある条件下でYes/Noで分岐していく。
各質問を通して、不純度を減らしていく

例：

引用：[入門]初心者の初心者による初心者のための決定木分析←おススメ!

##実装

from sklearn.tree import DecisionTreeClassifier
clf = DecisionTreeClassifier(max_depth=5,
                             min_samples_leaf=5,
                             random_state=0)
clf.fit(x_train,y_train) #学習
clf.score(x_test, y_test) #モデルの評価

#勾配ブ―スティング
##概要
複数の決定木を直列につないだような形で、誤差を修正していく方法

例：
　決定木　－(誤差を修正)→　決定木　－(誤差を修正)→　…　→最終的な答え

弱学習機の並び	直列
採用するデータ	復元抽出
採用する変数	変化しない
メリット	あまりパラメータをいじらなくてもそれなりの精度が出る
デメリット	学習に時間がかかる

##実装

from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import GridSearchCV
#GridSearchCVを使うと最適なパラメータがどれか、自動で探すことができる
param_grid = {'max_depth':[None, 5, 10, 20], #ノードの深さの制限値
              'n_estimators':[20, 50, 100], #決定木の数
              'learning_rate':[0.01, 0.03, 0.05]} #決定木を作るときの学習率
clf = GridSearchCV(estimator=GradientBoostingClassifier(random_state=0),
                   param_grid = param_grid,
                   scoring = 'accuracy',
                   cv = 5 #公差検証
                   )
clf.fit(x_train,y_train) #学習
clf.score(x_test, y_test) #モデルの評価
clf.best_params_ #最適なパラメータがどうだったか

#ランダムフォレスト
##概要
複数の決定木を並列につないだような形で、それらの決定木で出た答えで多数決をとる

例：
　決定木A(答え=3) 決定木B(答え=4) 決定木C(答え=7)
　ランダムフォレストで出した答え→4.7

弱学習機の並び	並列
採用するデータ	復元抽出
採用する変数	ランダム
メリット	データ量が多くても高速に動く
デメリット	説明変数をランダムに抽出するためデータと変数が少ないとうまく機能しない

##実装

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
#GridSearchCVを使うと最適なパラメータがどれか、自動で探すことができる
param_grid = {'max_depth':[None, 5, 10, 20], #ノードの深さの制限値
              'n_estimators':[20, 50, 100]} #決定木の数
clf = GridSearchCV(estimator=RandomForestClassifier(random_state=0),
                   param_grid = param_grid,
                   scoring = 'accuracy',
                   cv = 5) #公差検証
clf.fit(x_train,y_train) #学習
clf.score(x_test, y_test) #モデルの評価
clf.best_params_ #最適なパラメータがどうだったか

#ニューラルネットワーク
##概要
ニューラルネットワークは生物の神経細胞を真似してる
シンプルな機能を持つニューロンが層を形成し、層の間で接続が行われることでニューラルネットワークが作られる

• ニューロンは、複数の入力から一つの出力を出す

• 【それぞれ重みをかけたもの総和＋バイアス(ニューロンの感度)】を活性化関数で処理する

• 活性化関数は、ニューロンが発火するかどうかの信号に変換する関数
  
  └ 活性化関数には「シグモイド関数」などがある

• ニューラルネットワークは複数の入力と複数の出力があり、多数のパラメータを調整することで多様な表現ができる

  • CNN（画像などでよく使う）、RNN（文章、音声などの時系列データが得意）

• 学習：逆伝播、予測：順伝播

ニューロン:

引用：[【レクチャー: 単一ニューロンの計算】AIパーフェクトマスター講座](https://www.youtube.com/watch?v=qU9sMN_TMjc)

ニューラルネットワーク:

引用：[ディープラーニングと脳の関係とは？ 人工ニューロンや再帰型ニューラルネットワークを解説](https://codezine.jp/article/detail/13501)

##実装

from sklearn.neural_network import MLPClassifier
clf = MLPClassifier(hidden_layer_sizes=(100,100,100),
                    random_state=0)
clf.fit(x_train,y_train) #学習
clf.score(x_test, y_test) #モデルの評価

#事後処理
モデルの評価と結果の保存

#評価
import sklearn.metrics as sk
from  sklearn.metrics import confusion_matrix
y_pred = clf.predict(x_test)
confusion_matrix(y_true=y_test, y_pred=y_pred)
'正解率:{}'.format(sk.accuracy_score(y_true=y_test, y_pred=y_pred))
'適合率:{}'.format(sk.precision_score(y_true=y_test, y_pred=y_pred))
'再現率:{}'.format(sk.recall_score(y_true=y_test, y_pred=y_pred))
'F1スコア:{}'.format(sk.f1_score(y_true=y_test, y_pred=y_pred))
#モデルを使って予測を出力する
test   = preprocessing(test)
result = clf.predict(test)
result.to_csv('./submission.csv', encoding='UTF-8', header=True, index=True)