模型构建的目的

首先明确，模型拟合的目的：
不是对训练数据进行准确预测，而是对新数据进行准确预测

欠拟合 与 过拟合

欠拟合：可以通过训练数据及时发现，且可通过优化模型结果解决
过拟合：难以发觉；

过拟合的原因与解决

过拟合原因

本质原因： 对训练数据的拟合过于准确，忽略了训练数据也可能存在的误差
模型上的原因：
1. 模型过于复杂（维度过高）
2. 把过多的属性参考在内，产生了干扰

过拟合解决思路

解决
1. 简化模型结构（使用低阶模型）
2. 数据预处理（降维处理，PCA主成分分析）
3. 模型训练时，增加正则化项

法一：要素降维——PCA主成分分析

详见：【python】sikit-learn包：机器学习

法二：增加正则项

普通拟合时，损失函数如下：

其中 g(Θ，xi) 可以理解为 :

添加正则项后的损失函数如下：

可以通过抬高 λ 的值，控制 Θ 的值在较小范围内，从而降低高阶自变量对因变量的影响

模型评估方法——数据分离 & 混淆矩阵

什么是数据分离？

由模型构建目的 => 我们要想评估模型，我们在具有“训练数据”的同时，还需要“新数据”，并且知道“新数据”的正确结果
=> 所以我们需要将我们已有数据进行分离，
分成：训练集、测试集
训练集用于模型训练，测试集用于预测
训练集和测试集的比例可以不断调整

数据分离的代码实现

from sklearn.model_selection import train_test_split
Xtrain,Xtest,y_train,y_test=train_test_split(X,y,random_state=4,test_size=0.4)
# x与y为一一对应关系，随机状态为4，测试数据的占全部数据的比例为0.4

准确率评估的局限性：

传统模型评估方法：直接计算准确率 accuracy
局限性例子：
对0-1数据进行预测，被预测数据中有900个1和100个0

模型1：猜对850个1和50个0，其余猜错，准确率90%
模型2：全部猜测为1，准确率为90%

显然，模型2不靠谱，但它具备和模型1一样的准确率
准确率具有局限性的原因：
reason1: 没有体现数据预测的实际分布情况（0和1的分布比例等）
reason2: 没有体现模型错误预判的类型（因为什么错了）

混淆矩阵

定义

混淆矩阵又叫误差矩阵，用来衡量分类算法的准确程度


混淆矩阵的评估要素

混淆矩阵可以提供更加全面的评估信息
可以将混淆矩阵所包含的各种率都进行观察，即可得知该模型的具体情况；哪个指标更重要，取决于模型使用的环境
F1分数 越高，模拟

混淆矩阵的代码实现

from sklearn.metrics import confusion matrix
cm = confusion_matrix(y,pred_y)
TP = cm[1,1] #正样本猜对
TN = cm[0,0] #正样本猜错
FP = cm[0,1] #负样本猜对
FN = cm[1,0] #负样本猜错
recall = TP/(TP+FN) #召回率，正样本的猜对率
specificity = TN/(TN+FP) #特异度，负样本的猜对率
precision = TP/(TP+FP) # 精确率 预测为正样本的正确率
f1 = 2*precision*recall / (precision +recall) #F1分数，综合精确度和召回率的指标

模型优化方法

数据质量决定模型表现的上限

思路：

1. 数据属性的意义，是否为无关数据
2. 不同属性数据的数量级差异
3. 是否有异常数据
4. 采集数据的方法是否合理，采集到的数据是否有代表性
5. 数据标签映射编码 的结果具有一致性

方法：

1. 删除无关属性的数据
2. 数据预处理：整合、规范、标准、归一
3. 异常数据 是否保留或过滤
4. 尝试多种模型，对比模型表现

模型优化 的 思路框架

Step 1. 观察原始数据（数据内容、数据范围等）
Step 2. 数据格式整理（标签编码、数据类型转换等）
Step 3. 筛出异常数据【异常检测算法】（决定是否保留）
Step 4. 删除低相关属性【PCA主成分分析算法】（提高模型效率）
Step 5. 尝试不同的模型
Step 6. 对不同模型的表现进行评价【混淆矩阵评估法】
Step 6. 模型优化【调整模型参数、正则化处理】

进一步优化方法

1. 遍历模型的核心参数的组合，评估模型表现
2. 扩大数据样本量
3. 增减属性数据
4. 模型正则化处理，调整正则项λ的值