理论加案例，一文读懂数据分析中的分类建模

一、什么是分类

分类，是数据建模领域的重要分支，你每天也都会接触。

手机垃圾短信过滤，就是分类算法给短信打的标签，比如0代表正常短信，1代表垃圾短信。

在医学领域，根据影像检查判断肿瘤是良性还是恶性。在工业领域，根据设备工作特征做故障诊断。在材料领域，根据配方快速预测新材料的特性是否符合要求。

前面这些例子大多是二分类，即只有两个标签，更细的还有多分类。

比如电子邮件分为正常邮件、广告邮件、垃圾邮件或钓鱼邮件。贷款风险评估，分类为高风险中风险低风险。工厂的质量控制，分类为一级品、二级品以及废品。

二、分类算法

分类算法的核心逻辑是找到数据中特征与标签之间的映射关系。简单来说，就是找到一个“函数”，根据输入数据的特征，准确地判断数据所属的类别。

根据算法原理和实现方式，分类算法可以分为线性算法，非线性算法和集成学习算法。这三类算法分别适合不同的建模场景，训练出的模型复杂度一般也越来越高。

针对每一大类，数据建模软件DTEmpower也内置了多种算法。

比如线性算法里的逻辑回归算法Logistic，它的优点是简单高效计算成本低，且可解释性强，比如你能通过模型看出某个特征的重要性。

但线性算法更适合特征与目标变量之间存在线性关系的场景。所谓线性关系，就是因变量y可以写成y=ax1+bx2+cx3...这种形式。

非线性分类算法里的比较著名的KNN，K近邻算法。它的优点是原理简单且能处理非线性数据，对异常值不敏感。但缺点就是计算效率低，处理大数据时比较慢，因此也更适合数据量不大且数据集维度不高的情况。

集成学习算法里，RandomForest随机森林算法很有代表性，它最显著的优点是抗过拟合能力强。

所谓过拟合，指的是模型在训练数据上表现非常好，精度很高。但遇到新数据，精度就崩了。

除了抗过拟合，随机森林算法的鲁棒性也很强。如果数据存在异常值，模型也不会有明显的精度下降。

当然凡事都有两面性。随机森林算法的缺点之一就是模型训练过程的计算量大，而且得到的模型是一个黑箱模型。

相比线性模型，黑箱模型的可解释性差多了，你给它输入，它给你输出。这个结果的精度可能很高，但如果我问你它为什么输出这个结果，你很难解释清的。

下面我列出常见分类算法的优缺点以及适用场景，就不逐个介绍了。

之所以不逐个介绍，第一是我怕你睡着。

第二，即使你知道了每种算法的优缺点，当接触一个新场景或者拿到一组新数据，你也还依然不知道用什么算法。

比如我给你一个数据集，你怎么会知道变量之间是线性还是非线性关系呢？

实际的算法选择过程，都有一定的尝试成分。从易到难，从简到繁，最终在模型精度和计算量之间做权衡。

在实际操作时，我们推荐逻辑回归和决策树这两个基线算法。它们操作简单，易上手且性能尚可。当你不知道用什么算法时，就可以尝试用基线算法。

如果基线算法不满足要求，或者你想做更进一步的探索，可以再尝试其它的进阶算法。

比如集成学习算法里的Bagging算法，就可以作为首选的进阶算法。这种算法操作简单，且鲁棒性高，在处理高维度数据时表现不错。

三、分类模型可视化工具

你多次尝试之后，关键的问题来了，如何判断模型的好坏呢？

接下来介绍决策边界、混淆矩阵和ROC 曲线三个可视化工具，它们构成了判断模型精度的“黄金三角”。

第一个，决策边界。

假设你有一堆手办，共分为两种，一种会打篮球，一种不会。现在你画一条线，把它们分成了两类。这条线，就是我们今天要讲的决策边界。

简单来说，决策边界就是分类模型用来区分不同类别数据的“分界线”。

第二个，混淆矩阵。

混淆矩阵其实是一个表格，展示了分类模型预测标签和实际标签之间的关系。

对于二分类，它就是一个2X2的表格，左上表示实际为正，预测也为正，预测对了，True Positive，简称TP。

右下表示实际为负，预测也为负数，也预测对了，True Negative, 简称TN。

那么另外两个区域，就表示预测错了，一个叫False Negative, FN。另一个叫False Positive, FP。

显然，TP+TN通常越大越好。因此判定模型的好坏，也有一个定量指标叫准确率。另外还有精确率、召回率和F1分数这几个指标，也都比较常用。

第三个，ROC曲线，全称叫受试者工作特征曲线（Receiver Operating Characteristic Curve）。

ROC曲线所在坐标的横轴叫假阳性率，也就是实际为负，但被预测为正的比例。纵轴是召回率，也就是实际为正，且被预测为正的比例。

下面说说这个曲线是如何生成的。

分类模型在做预测分类时，你觉得它对预测结果有百分百的信心吗？显然不会。

它实际是通过概率判断的，比如计算发现某个样本属于A类的概率是70%，你如果设置阈值是50%，那么你就可以输出结果判定这个样本属于A类。

当然，如果计算之后发现这个样本属于A类的概率只有40%，那你就能输出结果，判定它不属于A类。

所以，你设定的阈值不同，模型的表现也不同。

OK，下面做三件事。

第一，选择一系列不同的阈值。

第二，对于每一个阈值，计算出当前的假阳性率和召回率。

第三，把这些点连起来，就得到了ROC曲线。

如果你不做数据建模，而是随机猜测的，也就是分类正确的概率是50%，那么生成的ROC曲线就是从(0,0)到(1,1)的一条直线。

从ROC曲线的定义可知，这个曲线越靠近左上角，表示模型精度越高。所以ROC曲线也有个定量值，叫曲线下面积，简称AUC。显然，曲线下的面积AUC越大，也表示曲线越靠近左上角。

介绍完三种工具，那么最终如何判断呢？

通常情况下，你看混淆矩阵时，左上角和右下角的数越大越好。看ROC曲线时，曲线上方的面积越小越好。

为什么说通常情况下？因为分类模型好坏的判断，必须要结合业务背景。

举个例子，在地震预测时，我们希望尽可能预测到所有的地震，哪怕这些预测到的地震中只有少数真正发生了，这个时候我们就可以牺牲精确率。宁愿发出100 次警报但只对 10 次，也不希望预测了 10 次，但只有 8 次正确而漏掉2次，因为只要有 1 次地震没预测到都会造成巨大的损失。这是一个 “宁可抓错，不可放过” 的场景。

但另一个场景，垃圾邮件分类，我们虽然希望模型能够找到所有的垃圾邮件，但一旦有一封正常邮件被分到了垃圾信箱里，你肯定很生气。所以这时候宁可漏掉垃圾邮件，也不能把正常邮件分错。这就是一个“宁可放过，不可抓错” 的场景。

能体会出来吧？在不同的场合，我们在建模时需要根据实际情况，通过查看不同的参数指标来判断分类模型质量。

四、分类建模案例

理论部分讲解差不多了，下面做一个实际的数据建模分类案例。

工程背景是某种新材料的研制，这种材料由很多种配方组成，不同的组成对应不同的材料性能。

工厂经过多年的积累，已经有了大量数据。其中前83列是原材料，后面几列是配方对应的材料性能。而我们关心的是最后一列，耐弯折性。1表示耐弯折性达标，0表示不达标。

我们数据建模想做的事，是得到一个分类模型。基于这个模型，你输入一种新的配方，让模型判断配方组成的新材料的耐弯折性是否达标，省去做实验测试的过程。

开始操作。启动DTEmpower，新建工程选择专业模式，之后在画布上依次拖入数据读取、变量剔除、空值处理、变量设定、数据分割节点，然后依次连线，表示数据传递。

数据读取、变量剔除就不解释了，字面意思很简单。

空值处理的作用是删除存在空值的数据行，而数据分割是将数据分为训练集和测试集，默认按照3:1的比例分割。训练集用来训练模型，测试集用来测试模型精度。

再然后，拖入分类算法节点。这里我拖入极端随机树算法，节点配置保持默认。

注意，软件默认是打开交叉验证的，交叉验证是数据建模领域的一个重要概念，也是DTEmpower软件的底层能力。

交叉验证核心思想是：将数据集分成若干份，轮流使用其中一份作为验证集，其余的作为训练集，最后对模型进行多次的训练和评估，以检验模型的泛化能力。当然，打开交叉验证之后，也会增加训练时间。

最后再拖入模型对比节点，模型对比节点能给出分类算法的定量精度值。而计算计算精度值时，基于的数据就是数据分割节点分出来的测试集。

模型训练结束后，单击得到的分类模型，能看到模型信息，包括决策边界、ROC曲线以及混淆矩阵。

决策边界，能看出来有一条曲线，把界面分成了两部分，能大概展示模型对训练集的拟合程度。

混淆矩阵，可以看出来实际为0且预测为0的数据有26个。实际为1预测也为1的值有36个。

ROC曲线，它绘制了两条曲线，分别是0和1的。同时也给出了AUC的值，巧了，都是0.86。这个表现还不错，说明模型具有良好的区分能力。

这就是我们用随机树算法训练得到的分类模型，你如果感兴趣的话，可以尝试用其它算法试试，看能不能得到精度更高的模型。

欢迎前往天洑官网下载软件，免费试用30天，即下即用。