Add some references

report_01_交通事故理赔审核预测/Exercise - 交通事故理赔审核预测.py

@@ -0,0 +1,169 @@
+# -*- coding: utf-8 -*-
+# ---
+# jupyter:
+#   jupytext_format_version: '1.2'
+#   kernelspec:
+#     display_name: Python 3
+#     language: python
+#     name: python3
+#   language_info:
+#     codemirror_mode:
+#       name: ipython
+#       version: 3
+#     file_extension: .py
+#     mimetype: text/x-python
+#     name: python
+#     nbconvert_exporter: python
+#     pygments_lexer: ipython3
+#     version: 3.5.2
+# ---
+
+# # Exercise - 交通事故理赔审核预测
+#
+#
+# 这个比赛的链接：http://sofasofa.io/competition.php?id=2
+#
+#
+# * 任务类型：二元分类
+#
+# * 背景介绍：在交通摩擦（事故）发生后，理赔员会前往现场勘察、采集信息，这些信息往往影响着车主是否能够得到保险公司的理赔。训练集数据包括理赔人员在现场对该事故方采集的36条信息，信息已经被编码，以及该事故方最终是否获得理赔。我们的任务是根据这36条信息预测该事故方没有被理赔的概率。
+#
+# * 数据介绍：训练集中共有200000条样本，预测集中有80000条样本。 
+# ![data_description](images/data_description.png)
+#
+# * 评价方法：Precision-Recall AUC
+#
+
+# ## Demo code
+#
+
+import pandas as pd
+import numpy as np
+import os
+import matplotlib.pyplot as plt
+# %matplotlib inline
+
+# read data
+homePath = "data"
+trainPath = os.path.join(homePath, "train.csv")
+testPath = os.path.join(homePath, "test.csv")
+submitPath = os.path.join(homePath, "sample_submit.csv")
+trainData = pd.read_csv(trainPath)
+testData = pd.read_csv(testPath)
+submitData = pd.read_csv(submitPath)
+
+# 参照数据说明，CaseID这列是没有意义的编号，因此这里将他丢弃。
+#
+# ~drop()函数：axis指沿着哪个轴，0为行，1为列；inplace指是否在原数据上直接操作
+#
+
+# 去掉没有意义的一列
+trainData.drop("CaseId", axis=1, inplace=True)
+testData.drop("CaseId", axis=1, inplace=True)
+
+# # 快速了解数据
+#
+# ~head()：默认显示前5行数据，可指定显示多行，例如.head(15)显示前15行
+#
+
+trainData.head(15)
+
+
+# 显示数据简略信息，可以每列有多少非空的值，以及每列数据对应的数据类型。
+#
+#
+
+trainData.info()
+
+
+# ~hist():绘制直方图，参数figsize可指定输出图片的尺寸。
+#
+
+trainData.hist(figsize=(20, 20))
+
+
+# 想要了解特征之间的相关性，可计算相关系数矩阵。然后可对某个特征来排序。
+#
+#
+
+corr_matrix = trainData.corr()
+corr_matrix["Evaluation"].sort_values(ascending=False) # ascending=False 降序排列
+
+# 从训练集中分离标签
+
+y = trainData['Evaluation']
+trainData.drop("Evaluation", axis=1, inplace=True)
+
+# 使用K-Means训练模型
+#
+# KMeans()：
+# * `n_clusters`指要预测的有几个类；
+# * `init`指初始化中心的方法，默认使用的是`k-means++`方法，而非经典的K-means方法的随机采样初始化，当然你可以设置为random使用随机初始化；
+# * `n_jobs`指定使用CPU核心数，-1为使用全部CPU。
+
+# +
+# do k-means
+from sklearn.cluster import KMeans
+est = KMeans(n_clusters=2, init="k-means++", n_jobs=-1)
+est.fit(trainData, y)
+
+y_train = est.predict(trainData)
+y_pred = est.predict(testData)
+
+# 保存预测的结果
+submitData['Evaluation'] = y_pred
+submitData.to_csv("submit_data.csv", index=False)
+
+# +
+# calculate accuracy
+from sklearn.metrics import accuracy_score
+
+acc_train = accuracy_score(y, y_train)
+print("acc_train = %f" % (acc_train))
+# -
+
+# ## 随机森林
+#
+# 使用K-means可能得到的结果没那么理想。在官网上，举办方给出了两个标杆模型，效果最好的是随机森林。以下是代码，读者可以自己测试。
+#
+#
+
+# +
+import pandas as pd
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import accuracy_score
+
+# 读取数据
+train = pd.read_csv("data/train.csv")
+test = pd.read_csv("data/test.csv")
+submit = pd.read_csv("data/sample_submit.csv")
+
+# 删除id
+train.drop('CaseId', axis=1, inplace=True)
+test.drop('CaseId', axis=1, inplace=True)
+
+# 取出训练集的y
+y_train = train.pop('Evaluation')
+
+# 建立随机森林模型
+clf = RandomForestClassifier(n_estimators=100, random_state=0)
+clf.fit(train, y_train)
+y_pred = clf.predict_proba(test)[:, 1]
+
+# 输出预测结果至my_RF_prediction.csv
+submit['Evaluation'] = y_pred
+submit.to_csv('my_RF_prediction.csv', index=False)
+
+
+
+# +
+# freature importances
+print(clf.feature_importances_)
+
+# Train accuracy
+from sklearn.metrics import accuracy_score
+y_train_pred = clf.predict(train)
+print(y_train_pred)
+
+acc_train = accuracy_score(y_train, y_train_pred)
+print("acc_train = %f" % (acc_train))