選自freecodecamp
作者：Tirmidzi Faizal Aflahi
機器之心編譯
參與：李詩萌、杜偉
機器學習之路雖漫漫無垠，但莘莘學子依然紛紛投入到機器學習的洪流中。如何更有效地開始機器學習呢？所謂「八仙過海，各顯神通」，本文作者以Python語言為工具進行機器學習，並以Kaggle競賽中的鐵達尼號項目進行詳細解讀。跟著小編來看看吧！
隨著行業內機器學習的崛起，能夠幫用戶快速迭代整個過程的工具變得至關重要。Python，機器學習技術領域冉冉升起的一顆新星，往往是帶你走向成功的首選。因此，用 Python 實現機器學習的指南是非常必要的。
用 Python 實現機器學習的介紹
那麼為什麼是 Python 呢？根據我的經驗，Python 是最容易學習的程式語言之一。現在需要快速迭代整個過程，與此同時，數據科學家不需要深入了解這種語言，因為他們可以快速掌握它。
有多容易呢？
就這麼容易。Python 的語法和英語（或人類語言，而不是機器語言）語法關係密切。在 Python 的語法中沒有愚蠢的大括號造成的困擾。我有一個從事質量保證（Quality Assurance）工作的同事，雖然不是軟體工程師，但她可以在一天內寫出產品級的 Python 代碼。（真的！）
我將在下文中介紹幾個基於 Python 的庫。作為數據分析師和數據科學家，我們可以利用他們的傑作來幫助我們完成任務。這些不可思議的庫是用 Python 實現機器學習的必備工具。
NumPy
這是一個非常有名的數據分析庫。從計算數據分布的中位數，到處理多維數組，NumPy 都可以幫你完成。
Pandas
這是用來處理 CSV 文件的。當然了，你還需要處理一些表格、查看統計數據等，那 Pandas 就是可以滿足你的需求的工具。
Matplotlib
把數據存儲在 Pandas 的數據框後，你可能需要做一些可視化來理解數據的更多信息。畢竟一圖抵千言。
Seaborn
這是另一個可視化工具，但這個工具更側重於統計結果的可視化，比如直方圖、餅圖、曲線圖或相關性表等。
Scikit-Learn
這是用 Python 實現機器學習的終極工具。所謂用 Python 實現機器學習指的就是這個——Scikit-Learn。所有你需要的從算法到提升的內容都能在這裡找到。
Tensorflow 和 Pytorch
針對這兩個工具我不會說太多。但如果你對深度學習感興趣的話，可以詳細了解一下，它們值得你花時間去學習。（我下次會再寫一篇關於深度學習的教程，敬請期待！）
Python 機器學習項目
當然，只是閱讀和學習是沒法讓你達成心願的。你需要實際練習。正如我博客中所說的，如果你沒有深入數據的話，那學習這些工具將毫無意義。因此，我在這裡介紹一個可以輕鬆找到 Python 機器學習項目的地方。
博客地址：https://thedatamage.com/
Kaggle 是一個可以直接研究數據的平臺。你可以在這個平臺中解決一些項目，並達到真的擅長機器學習的地步。你可能更感興趣另外一些東西——Kaggle 舉辦的機器學習競賽，獎金高達 100,000 美元。你可能會想著碰碰運氣，哈哈。
Kaggle：https://www.kaggle.com/
但最重要的並不是錢——你真的可以在這裡找到用 Python 實現的機器學習項目。你可以試著完成很多項目。但如果你是個新手，你可能會想參加這項競賽。
我們將在後面的教程中用到一個示例項目：
泰坦尼克：從災難中進行機器學習（https://www.kaggle.com/c/titanic）
這就是眾所周知的鐵達尼號。這是一場發生在 1912 年的災難，這場災難波及到的乘客和機組成員共 2224 人，其中 1502 人遇難死亡。這項 Kaggle 競賽（或者說是教程）提供了災難中的真實數據。你的任務是解釋這些數據，並預測出災難中哪些人會活下來，哪些人不會。
用 Python 實現機器學習的教程
在深入了解鐵達尼號的數據之前，我們要先安裝一些必需的工具。
首先當然是 Python。第一次安裝 Python 需要從官網上安裝。你要安裝 3.6 以上的版本，這樣才能跟最新版本的庫保持同步。
Python 官方網站：https://www.python.org/downloads/
然後可以用 Python 的 pip 安裝所有的庫。你剛剛下載的 Python 發行版會自動安裝 pip。
需要的其他工具都可以用 pip 安裝。打開終端、命令行或 PowerShell，命令如下：
看起來一切都運行良好。但是等一下，什麼叫 jupyter？jupyter 表示 Julia、Python 和 R，因此它實際上是 Jupytr。但這個單詞看起來太奇怪了，所以他們把它變成了 Jupyter。這是一個很有名的筆記本，你可以在這個筆記本上寫交互式的 Python 代碼。
只要在終端中輸入 jupyter notebook，就可以打開如下圖所示的瀏覽器頁面：
你可以把代碼寫在綠色矩形中，而且可以交互式地編寫並評價 Python 代碼。
現在你已經安裝了所有的工具。我們開始吧！
數據探索
探索數據是第一步。你需要從 Kaggle 的 Titanic 頁面下載數據，然後將下載的數據放到你啟動 Jupyter 筆記本的文件夾中。
數據下載地址：https://www.kaggle.com/c/titanic/data
然後導入必要的庫：
載入數據：
輸出如下：
這就是我們的數據。它有下面幾列：
PassengerId，乘客的標識符；
Survived，他（她）是否存活了下來；
Pclass，艙室類別，也許 1 表示經濟艙，2 表示商務艙，3 表示頭等艙；
Name，乘客的名字；
Sex，性別；
Age，年齡；
SibSp，即兄弟姐妹（siblings）或配偶（spouses），表示在船上的兄弟姐妹以及配偶的數目；
Parch，即父母（Parents）或子女（Children），表示在船上的父母和子女的數目；
Ticket，船票詳情；
Cabin，艙號，NaN 表示未知；
Embarked，登船的起始地，S 表示南安普頓（Southampton），Q 表示皇后鎮（Queenstown），C 表示瑟堡（Cherbourg）
在探索數據時，常常會遇到數據缺失的問題。我們來看一下
我們會看到這樣的結果：
艙號、年齡以及登船地的數據都有一些缺失值，而艙號信息有大量的缺失。我們需要對它們進行處理，也就是所謂的數據清理（Data Cleaning）。
數據清理
我們 90% 的時間都花在這上面。我們要針對每一個機器學習項目進行大量的數據清理。當數據清理乾淨時，我們就可以輕鬆地進行下一步了，什麼都不用擔心。
數據清理中最常用的技術是填充缺失數據。你可以用眾數、平均數或中位數來填充缺失數據。選擇這些數據沒有絕對規則，你可以一一嘗試，然後看看它們的表現如何。但是根據經驗來講，分類數據只能用眾數，連續數據可以用中位數或平均數。所以我們用眾數來填充登船地數據，用中位數來填充年齡數據。
接下來的重要操作是刪除數據，尤其針對大量缺失的數據。我們針對艙號數據進行以下處理：
現在檢查一下清理過的數據。
完美！沒有任何缺失數據了！這表示數據已經清理乾淨了。
特徵工程
現在數據已經清理乾淨了。接下來我們要進行特徵工程。
特徵工程基本上就是根據當前可用數據發現特徵或數據的技術。有幾種方法可以實現這種技術。在很多時候這都是常識。
我們以登船地數據為例——這是用 Q、S 或 C 填充的數據。Python 庫不能處理這個，因為它只能處理數字。所以你需要用所謂的獨熱向量化（One Hot Vectorization）來處理，它可以把一列變成三列。用 0 或 1 填充 Embarked_Q、Embarked_S 和 Embarked_C，來表示這個人是不是從這個港口出發的。
再以 SibSp 和 Parch 為例。這兩列沒有什麼有趣的，但是你可能會想知道某個乘客有多少家人登上了這艘船。如果家人多的話可能會增加生存機率，因為他們可以互相幫助。從另一個角度說，單獨登船的乘客可能很難生存下去。
因此你可以創建新的一列，這一列是成員數量（family size），family size = SibSp + Parch + 1（乘客自己）。
最後一個例子是以 bin 列為例的。由於你認為很難區分具有相似值的事物，所以這種操作創建了值範圍（ranges of values），然後將多個值組合在一起。比如，5 歲和 6 歲的乘客之間有顯著的差異嗎？或者 45 和 46 歲的人之間有顯著的差異嗎？
這就是創建 bin 列的原因。也許就年齡而言，我們可以創建 4 列——幼兒（0~14 歲）、青少年（14~20 歲）、成年人（20~40 歲）以及年長的人（40 歲以上）。
編碼如下：
現在，你已經創建完成所有的特徵了。接著我們看看這些特徵之間的相關性：
相關值接近 1 意味著高度正相關，-1 意味著高度負相關。例如，性別為男和性別為女之間就呈負相關，因為必須將乘客識別為一種性別（或另一種）。此外，你還可以看到，除了用特徵工程創建的內容外，沒有哪兩種是高度相關的。這證明我們做得對。
如果某些因素之間高度相關會怎麼樣？我們可以刪除其中的一個，新列中的信息並不能給系統提供任何新信息，因為這兩者是完全一樣的。
用 Python 實現機器學習
現在我們已經到達本教程的高潮——機器學習建模。
Scikit-Learn 庫中有多種算法供你選擇：
邏輯回歸
隨機森林
支持向量機
K 最近鄰
樸素貝葉斯
決策樹
AdaBoost
LDA
梯度增強
你可能感到不知所措，想弄清什麼是什麼。別擔心，只要將它當做「黑箱」對待就好——選一個表現最好的。（我之後會寫一篇完整的文章討論如何選擇這些算法。）
以我最喜歡的隨機森林算法為例：
哇哦！準確率高達 83%。就第一次嘗試而言，這個結果已經很好了。
交叉驗證分數的意思是 K 折驗證方法。如果 K=10，就是說要把數據分成 10 個變量，計算所有分數的均值，並將它們作為最終分數。
微調
現在你已經完成了用 Python 實現機器學習的步驟。但再加一個步驟可以讓你得到更好的結果——微調。微調的意思是為機器學習算法找到最佳參數。以上面的隨機森林代碼為例：
你需要設置許多參數。順便說一下，上面的都是默認值。你可以根據需要改變參數。但當然了，這需要花費很多時間。
別擔心——有一種叫做網格搜索（Grid Search）的工具，它可以自動找出最佳參數。聽起來還不錯，對吧？
好了，你可以自己嘗試一下，並從中享受機器學習的樂趣。
總結
怎麼樣？機器學習看起來似乎並不難吧？用 Python 實現機器學習很簡單。一切都已經為你準備好了。你可以做一些神奇的事，並給人們帶來快樂。
本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。
------------------------------------------------