机器学习|使用机器学习一起挖掘幸福感人工智能|机器学习

幸福感是一个古老而深刻的话题，是人类世代追求的方向。与幸福感相关的因素成千上万、因人而异，大如国计民生，小如路边烤红薯，都会对幸福感产生影响。这些错综复杂的因素中，我们能找到其中的共性，一窥幸福感的要义吗？
在社会科学领域，幸福感的研究占有重要的位置。这个涉及了哲学、心理学、社会学、经济学等多方学科的话题复杂而有趣；同时与大家生活息息相关，每个人对幸福感都有自己的衡量标准。如果能发现影响幸福感的共性，生活中是不是将多一些乐趣；如果能找到影响幸福感的政策因素，便能优化资源配置来提升国民的幸福感。目前社会科学研究注重变量的可解释性和未来政策的落地，主要采用了线性回归和逻辑回归的方法，在收入、健康、职业、社交关系、休闲方式等经济人口因素；以及政府公共服务、宏观经济环境、税负等宏观因素上有了一系列的推测和发现。
使用文件请在快来一起挖掘幸福感！赛题与数据-天池大赛-阿里云天池下载。
【机器学习|使用机器学习一起挖掘幸福感】1、导入包

# 引入包 ##基础函数库 import numpy as np import pandas as pd## 绘图函数库 import matplotlib.pyplot as plt import seaborn as sns

2、我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式，利用.info()查看数据的整体信息

df = pd.read_csv('./happiness_train_abbr.csv') df.info()

3、分析并清理数据

#删除缺失数据28work_status，work_yr，work_type，work_manage drop_cols=['work_status','work_yr','work_type','work_manage'] df.drop(drop_cols, axis=1,inplace=True)# family_income 缺失数据补足 df.fillna(method='ffill',inplace=True)y = df.happiness y.value_counts()dft=df.copy() # 删除时间列：survey_time drop_cols=['happiness','survey_time'] dft.drop(drop_cols, axis=1,inplace=True) dft.info()# nationality,religion,religion_freq 数值变化不大，删除 drop_cols=['learn','relax','hukou','weight_jin','political','edu','gender','survey_type','province','county'] dft.drop(drop_cols, axis=1,inplace=True)

4、分析特征

data = https://www.it610.com/article/dft data_std = (data - data.mean()) / data.std() data = pd.concat([y, data_std.iloc[:, 0:9]], axis=1) data = pd.melt(data, id_vars='happiness', var_name='Features', value_name='Values')fig, ax = plt.subplots(1,2,figsize=(30,15))# 绘制小提琴图 sns.violinplot(x='Features', y='Values', hue='happiness', data=https://www.it610.com/article/data,inner='quart', ax=ax[0], palette='Blues') fig.autofmt_xdate(rotation=45)data = https://www.it610.com/article/dft data_std = (data - data.mean()) / data.std() data = pd.concat([y, data_std.iloc[:, 9:18]], axis=1) data = pd.melt(data, id_vars='happiness', var_name='Features', value_name='Values')# 绘制小提琴图 sns.violinplot(x='Features', y='Values', hue='happiness', data=https://www.it610.com/article/data, inner='quart', ax=ax[1], palette='Blues') fig.autofmt_xdate(rotation=45)plt.show()# learn,relax,hukou,weight_jin,political,edu,gender,suney_type差别不大，删除 plt.figure(figsize=(18,14)) sns.heatmap(round(dft.corr(),2), cmap='Blues', annot=True) plt.show()dfx=df.copy() y=dfx.happiness drop_cols=['happiness','survey_time'] dfx.drop(drop_cols, axis=1,inplace=True) dfx.info()

5、训练数据

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。 from sklearn.model_selection import train_test_split x=dfx ## 选择其类别为0和1的样本（不包括类别为2的样本） data_target_part = y data_features_part = x## 测试集大小为20%， 80%/20%分 x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)## 导入XGBoost模型 from xgboost.sklearn import XGBClassifier ## 定义 XGBoost模型 clf = XGBClassifier() # 在训练集上训练XGBoost模型 clf.fit(x_train, y_train)## 在训练集和测试集上分布利用训练好的模型进行预测 train_predict = clf.predict(x_train) test_predict = clf.predict(x_test) from sklearn import metrics## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果 print('The train of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict)) print('The test of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵) confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test) print('The confusion matrix result:\n',confusion_matrix_result)# 利用热力图对于结果进行可视化 plt.figure(figsize=(8, 6)) sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues') plt.xlabel('Predicted labels') plt.ylabel('True labels') plt.show()

得到预测结果：

The train of the Logistic Regression is: 0.66546875 The test of the Logistic Regression is: 0.6275

6、优化特征值

? sns.barplot sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)## 从sklearn库中导入网格调参函数 from sklearn.model_selection import GridSearchCV## 定义参数取值范围 learning_rate = [0.1, 0.3, 0.6] subsample = [0.8, 0.9] colsample_bytree = [0.6, 0.8] max_depth = [3,5,8]parameters = { 'learning_rate': learning_rate, 'subsample': subsample, 'colsample_bytree':colsample_bytree, 'max_depth': max_depth} model = XGBClassifier(n_estimators = 50)## 进行网格搜索 clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=1,n_jobs=-1) clf = clf.fit(x_train, y_train)## 网格搜索后的最好参数为 clf.best_params_

得到优化结果：

{'colsample_bytree': 0.6, 'learning_rate': 0.1, 'max_depth': 5, 'subsample': 0.8}

7、使用新的特征参数进行训练

## 在训练集和测试集上分布利用最好的模型参数进行预测## 定义带参数的 XGBoost模型 clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.1, max_depth= 5, subsample = 0.8) # 在训练集上训练XGBoost模型 clf.fit(x_train, y_train)train_predict = clf.predict(x_train) test_predict = clf.predict(x_test)## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果 print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict)) print('The accuracy of the test Regression is:',metrics.accuracy_score(y_test,test_predict))## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵) confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test) print('The confusion matrix result:\n',confusion_matrix_result)# 利用热力图对于结果进行可视化 plt.figure(figsize=(8, 6)) sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues') plt.xlabel('Predicted labels') plt.ylabel('True labels') plt.show()

得到预测值：

The accuracy of the train Regression is: 0.7765625 The accuracy of the test Regression is: 0.63375

8、预测数据，得到预测结果

# 预测数据 dfn = pd.read_csv('./happiness_test_abbr.csv') drop_clo=['survey_time','work_status','work_yr','work_type','work_manage'] dfn.drop(drop_clo,axis=1,inplace=True)clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.1, max_depth= 5, subsample = 0.8) # 在训练集上训练XGBoost模型 clf.fit(x_train, y_train)new_predict = clf.predict(dfn)

9、导出数据