如何提高Scikit python中逻辑回归的模型精度？

Question

我试图用gre,gpa和rank等预测变量来预测admit变量.但是预测精度非常低(0.66).数据集如下所示. https://gist.github.com/abyalias/3de80ab7fb93dcecc565cee21bd9501a

请找到以下代码:

 In[73]: data.head(20)
 Out[73]: 

   admit  gre   gpa  rank_2  rank_3  rank_4
0      0  380  3.61     0.0     1.0     0.0
1      1  660  3.67     0.0     1.0     0.0
2      1  800  4.00     0.0     0.0     0.0
3      1  640  3.19     0.0     0.0     1.0
4      0  520  2.93     0.0     0.0     1.0
5      1  760  3.00     1.0     0.0     0.0
6      1  560  2.98     0.0     0.0     0.0

y = data['admit']
x = data[data.columns[1:]]

from sklearn.cross_validation import  train_test_split
xtrain,xtest,ytrain,ytest  = train_test_split(x,y,random_state=2)

ytrain=np.ravel(ytrain)

#modelling 
clf = LogisticRegression(penalty='l2')
clf.fit(xtrain,ytrain)
ypred_train = clf.predict(xtrain)
ypred_test = clf.predict(xtest)

In[38]: #checking the classification accuracy
accuracy_score(ytrain,ypred_train)
Out[38]: 0.70333333333333337
In[39]: accuracy_score(ytest,ypred_test)
Out[39]: 0.66000000000000003

In[78]: #confusion metrix...
from sklearn.metrics import confusion_matrix
confusion_matrix(ytest,ypred)

Out[78]: 
array([[62,  1],
       [33,  4]])

那些是错误的预测.如何提高模型的准确性？

Answer 1

由于机器学习更多的是试验功能和模型,因此您的问题没有正确答案.我给你的一些建议是:

1.特征缩放和/或规范化 - 检查gre和gpa特征的比例.它们的差异在2个数量级上.因此,你的gre特征最终会在像Logistic回归这样的分类器中统治其他特征.在将所有功能放入机器学习模型之前,您可以将所有功能标准化为相同的比例.这是scikit-learn中提供的各种功能扩展和规范化类的良好指南.

2.类不平衡 - 查找数据中的类不平衡.由于您正在处理允许/拒绝数据,因此拒绝的数量将显着高于许可.SkLearn中的大多数分类器都包含LogisticRegression一个class_weight参数.设置为balanced在类不平衡的情况下也可能正常工作.

3.优化其他分数 - 您还可以优化其他指标,例如Log Loss和F1-Score.在课堂不平衡的情况下,F1-Score可能很有用.这是一个很好的指导,可以更多地谈论得分.

4.超参数调整-网格搜索 -您可以通过执行网格搜索调整模型的超参数提高你的准确度.例如,在该情况下LogisticRegression,参数C是超参数.此外,您应该避免在网格搜索期间使用测试数据.而是执行交叉验证.仅使用您的测试数据报告最终模型的最终数字.请注意,GridSearch应该针对您尝试的所有型号进行,因为只有您才能知道每种型号可以获得的最佳效果.Scikit-Learn GridSearchCV为此提供了课程.这篇文章也是一个很好的起点.

5.探索更多分类器 - Logistic回归学习一个分离你的类的线性决策表面.您的2个类可能无法线性分离.在这种情况下,您可能需要查看其他分类器,例如支持向量机,它们能够学习更复杂的决策边界.您还可以开始查看基于树的分类器,例如可以从数据中学习规则的决策树.将它们视为一系列If-Else规则,算法会自动从数据中学习.通常,很难通过决策树获得正确的偏差 - 方差权衡,因此如果您有大量数据,我建议您查看随机森林.

6.错误分析 - 对于每个模型,请返回并查看失败的情况.您最终可能会发现某些模型在参数空间的某个部分上运行良好,而其他模型在其他部分上运行得更好.如果是这种情况,那么诸如技术之类的EnsembleVotingClassifier技术通常会给出最好的结果.赢得Kaggle比赛的模特很多次是合奏模特.

7.更多功能 _如果所有这些都失败了,那么这意味着您应该开始寻找更多功能.

希望有所帮助!