Python 数据建模与分析项目实战预备 Day 6 - 多模型对比与交叉验证验证策略

✅ 今日目标

• 引入多种常见分类模型（随机森林、支持向量机、K近邻等）
• 比较不同模型的训练效果
• 使用交叉验证提升评估稳定性

---

🧾 一、对比模型列表

模型	类名（sklearn）	适用说明
逻辑回归	LogisticRegression	基础线、易于解释
KNN	KNeighborsClassifier	基于邻近数据点
决策树	DecisionTreeClassifier	可视化，易过拟合
随机森林	RandomForestClassifier	综合表现较优，抗过拟合
支持向量机	SVC	高维表现好，耗时较久（适合小数据）

---

🧪 二、交叉验证策略

使用 cross_val_score 进行 K 折交叉验证，常用 cv=5：

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5, scoring="accuracy")

还可以比较不同模型的：

• accuracy
• roc_auc
• f1_macro 等指标

---

🧪 今日练习任务

编写脚本 model_compare_cv.py，实现：

• 加载 processed_X_train.csv 与标签

• 初始化多个模型

• 对每个模型进行 5 折交叉验证

• 输出每个模型的平均准确率和 AUC

  # model_compare_cv.py - 多模型比较与交叉验证（优化版）import pandas as pd
  import numpy as np
  import warnings
  from sklearn.model_selection import cross_val_score
  from sklearn.preprocessing import StandardScaler
  from sklearn.linear_model import LogisticRegression
  from sklearn.neighbors import KNeighborsClassifier
  from sklearn.tree import DecisionTreeClassifier
  from sklearn.ensemble import RandomForestClassifier
  from sklearn.svm import SVC# 忽略数值计算警告
  warnings.filterwarnings("ignore", category=RuntimeWarning)# 读取训练数据
  X = pd.read_csv("./data/stage4/processed_X_train.csv")
  y = pd.read_csv("./data/stage4/processed_y_train.csv").values.ravel()# 检查数值问题
  print("🔎 是否包含 NaN:", X.isna().sum().sum())
  print("🔎 是否包含 Inf:", (~np.isfinite(X)).sum().sum())
  print("🔎 特征最大值:", X.max().max())
  print("🔎 特征最小值:", X.min().min())# 标准化所有特征
  scaler = StandardScaler()
  X_scaled = pd.DataFrame(scaler.fit_transform(X), columns=X.columns)# 定义模型集合
  models = {"Logistic Regression": LogisticRegression(max_iter=1000, random_state=42),"K-Nearest Neighbors": KNeighborsClassifier(),"Decision Tree": DecisionTreeClassifier(random_state=42),"Random Forest": RandomForestClassifier(random_state=42),"SVM": SVC(probability=True, random_state=42),
  }# 定义评价指标
  scoring = ["accuracy", "roc_auc"]# 逐模型评估
  for name, model in models.items():print(f"🔍 模型：{name}")for score in scoring:cv_scores = cross_val_score(model, X_scaled, y, cv=5, scoring=score)print(f"  [{score}] 平均得分: {cv_scores.mean():.4f} ± {cv_scores.std():.4f}")print("-" * 40)print("✅ 所有模型交叉验证完毕。")
  

  运行输出：

  🔎 是否包含 NaN: 0
  🔎 是否包含 Inf: 0
  🔎 特征最大值: 1.6341648019019988
  🔎 特征最小值: -1.6565987890014815
  🔍 模型：Logistic Regression[accuracy] 平均得分: 0.7500 ± 0.0988[roc_auc] 平均得分: 0.8409 ± 0.0656
  ----------------------------------------
  🔍 模型：K-Nearest Neighbors[accuracy] 平均得分: 0.6875 ± 0.0906[roc_auc] 平均得分: 0.7469 ± 0.0751
  ----------------------------------------
  🔍 模型：Decision Tree[accuracy] 平均得分: 0.6438 ± 0.0829[roc_auc] 平均得分: 0.6442 ± 0.0829
  ----------------------------------------
  🔍 模型：Random Forest[accuracy] 平均得分: 0.6937 ± 0.0696[roc_auc] 平均得分: 0.7739 ± 0.0815
  ----------------------------------------
  🔍 模型：SVM[accuracy] 平均得分: 0.6813 ± 0.0914[roc_auc] 平均得分: 0.7829 ± 0.0867
  ----------------------------------------
  ✅ 所有模型交叉验证完毕。