0
雷鋒網按：本文作者王樹義，原載于微信公眾號玉樹芝蘭（nkwangshuyi），雷鋒網經授權發布。
耳聞目睹了機器學習的諸般神奇，有沒有沖動打算自己嘗試一下？本文我們通過一個貸款風險評估的案例，用最通俗的語言向你介紹機器學習的基礎招式，一步步幫助你用Python完成自己的第一個機器學習項目。試過之后你會發現，機器學習真的不難。
祝賀你，成功進入了一家金融公司實習。
第一天上班，你還處在興奮中。這時主管把你叫過去，給你看了一個文件。文件內容是這個樣子的：
主管說這是公司寶貴的數據資產。囑咐你認真閱讀，并且從數字中找出規律，以便做出明智的貸款決策。
每一行數據，都代表了之前的一次貸款信息。你琢磨了很久，終于弄明白了每一列究竟代表什么意思：
grade：貸款級別
sub_grade: 貸款細分級別
short_emp：一年以內短期雇傭
emp_length_num：受雇年限
home_ownership：居住狀態（自有，按揭，租住）
dti：貸款占收入比例
purpose：貸款用途
term：貸款周期
last_delinq_none：貸款申請人是否有不良記錄
last_major_derog_none：貸款申請人是否有還款逾期90天以上記錄
revol_util：透支額度占信用比例
total_rec_late_fee：逾期罰款總額
safe_loans：貸款是否安全
最后一列，記錄了這筆貸款是否按期收回。拿著以前的這些寶貴經驗教訓，主管希望你能夠總結出貸款是否安全的規律。在面對新的貸款申請時，從容和正確應對。
主管讓你找的這種規律，可以用決策樹來表達。
我們來說說什么是決策樹。決策樹長得就像這個樣子：
做決策的時候，你需要從最上面的節點出發。在每一個分支上，都有一個判斷條件。滿足條件，往左走；不滿足，向右走。一旦走到了樹的邊緣，一項決策就完成了。
例如你走在街上，遇見鄰居老張。你熱情地打招呼：
“老張，吃了嗎？”
好了，這里就是個分支。老張的回答，將決定你的決策走向，即后面你將說什么。
第一種情況。
老張：吃過了。
你：要不來我家再吃點兒？
第二種情況。
老張：還沒吃。
你：那趕緊回家吃去吧。再見！
……
具體到貸款這個實例，你需要依次分析申請人的各項指標，然后判定這個貸款申請是否安全，以做出是否貸款給他的決策。把這個流程寫下來，就是一棵決策樹。
作為一名金融界新兵，你原本也是抱著積極開放的心態，希望多嘗試一下的。但是當你把數據表下拉到最后一行的時候，你發現記錄居然有46509條！
你估算了一下自己的閱讀速度、耐心和認知負荷能力，覺得這個任務屬于Mission Impossible（不可能完成），于是開始默默地收拾東西，打算找主管道個別，辭職不干了。
且慢，你不必如此沮喪。因為科技的發展，已經把一項黑魔法放在了你的手邊，隨時供你取用。它的名字，叫做機器學習。
什么叫機器學習？
從前，人是“操作”計算機的。一項任務如何完成，人心里是完全有數的。人把一條條指令下達給電腦，電腦負責傻呵呵地干完，收工。
后來人們發現，對有些任務，人根本就不知道該怎么辦。
前些日子的新聞里，你知道Alpha Go和柯潔下圍棋。柯潔不僅輸了棋，還哭了。
可是制造Alpha Go的那幫人，當真知道怎樣下棋，才能贏過柯潔嗎？你就是讓他們放棄體育家精神，攢雞毛湊撣子一起上，跟柯潔下棋……你估計哭的是誰？
一幫連自己下棋，都下不贏柯潔的人，又是如何制作出電腦軟件，戰勝了人類圍棋界的“最強大腦”呢？
答案正是機器學習。
你自己都不知道如何完成的任務，自然也不可能告訴機器“第一步這么干，第二步那么辦”，或者“如果出現A情況，打開第一個錦囊；如果出現B情況，打開第二個錦囊”。
機器學習的關鍵，不在于人類的經驗和智慧，而在于數據。
本文我們接觸到的，是最為基礎的監督式學習(supervised learning)。監督式學習利用的數據，是機器最喜歡的。這些數據的特點，是都被打了標記。
主管給你的這個貸款記錄數據集，就是打了標記的。針對每個貸款案例，后面都有“是否安全”的標記。1代表了安全，-1代表了不安全。
機器看到一條數據，又看到了數據上的標記，于是有了一個假設。
然后你再讓它看一條數據，它就會強化或者修改原先的假設。
這就是學習的過程：建立假設——收到反饋——修正假設。在這個過程中，機器通過迭代，不斷刷新自己的認知。
這讓我想起了經典相聲段子“蛤蟆鼓”里面的對話片段。
甲：那我問問你，蛤蟆你看見過吧？
乙：誰沒見過蛤蟆呀。
甲：你說為什么它那么小的動物，叫喚出來的聲音會那么大呢？
乙：那是因為它嘴大肚兒大脖子粗，叫喚出來的聲音必然大。萬物都是一個理。
甲：我家的字紙簍子也是嘴大脖子粗，為什么它不叫喚哪？
乙：字紙簍是死物，那是竹子編的，不但不叫，連響都響不了。
甲：吹的笙也是竹子的，怎么響呢？
乙：雖然竹子編的，因為它有窟窿有眼兒，有眼兒的就響。
甲：我家篩米的篩子盡是窟窿眼兒，怎么吹不響？
這里相聲演員乙，就一直試圖建立可以推廣的假設。可惜，甲總是用新的例證摧毀乙的三觀。
在四處碰壁后，可憐的機器跌跌撞撞地成長。看了許許多多的數據后，電腦逐漸有了自己對一些事情判斷的想法。我們把這種想法叫做模型。
之后，你就可以用模型去輔助自己做出明智的判斷了。
下面我們開始動手實踐。用Python做個決策樹出來，輔助我們判斷貸款風險。
使用Python和相關軟件包，你需要先安裝Anaconda套裝。詳細的流程步驟請參考《 如何用Python做詞云 》一文。
主管給你展示的這份貸款數據文件，請從這里下載：
文件的擴展名是csv，你可以用Excel打開，看看是否下載正確。
如果一切正常，請把它移動到咱們的工作目錄demo里面。
到你的系統“終端”(macOS, Linux)或者“命令提示符”(Windows)下，進入我們的工作目錄demo，執行以下命令。
pip install -U PIL
運行環境配置完畢。
在終端或者命令提示符下鍵入：
jupyter notebook
Jupyter Notebook已經正確運行。下面我們就可以正式編寫代碼了。
首先，我們新建一個Python 2筆記本，起名叫做loans-tree。
為了讓Python能夠高效率處理表格數據，我們使用一個非常優秀的數據處理框架Pandas。
import pandas as pd
然后我們把loans.csv里面的內容全部讀取出來，存入到一個叫做df的變量里面。
df = pd.read_csv('loans.csv')
我們看看df這個數據框的前幾行，以確認數據讀取無誤。
df.head()
因為表格列數較多，屏幕上顯示不完整，我們向右拖動表格，看表格最右邊幾列是否也正確讀取。
經驗證，數據所有列都已讀入。
統計一下總行數，看是不是所有行也都完整讀取進來了。
df.shape
運行結果如下：
(46508, 13)
行列數量都正確，數據讀取無誤。
你應該還記得吧，每一條數據的最后一列 safe_loans 是個標記，告訴我們之前發放的這筆貸款是否安全。我們把這種標記叫做目標(target)，把前面的所有列叫做“特征”(features)。這些術語你現在記不住沒關系，因為以后會反復遇到。自然就會強化記憶。
下面我們就分別把特征和目標提取出來。依照機器學習領域的習慣，我們把特征叫做X，目標叫做y。
X = df.drop('safe_loans', axis=1)
y = df.safe_loans
我們看一下特征數據X的形狀：
X.shape
運行結果為：
(46508, 12)
除了最后一列，其他行列都在。符合我們的預期。我們再看看“目標”列。
y.shape
執行后顯示如下結果：
(46508,)
這里的逗號后面沒有數字，指的是只有1列。
我們來看看X的前幾列。
X.head()
運行結果為：
注意這里有一個問題。Python下做決策樹的時候，每一個特征都應該是數值（整型或者實數）類型的。但是我們一眼就可以看出，grade, sub_grade, home_ownership等列的取值都是類別(categorical)型。所以，必須經過一步轉換，把這些類別都映射成為某個數值，才能進行下面的步驟。
那我們就開始映射吧：
from sklearn.preprocessing import LabelEncoder
from collections import defaultdict
d = defaultdict(LabelEncoder)
X_trans = X.apply(lambda x: d[x.name].fit_transform(x))
X_trans.head()
運行結果是這樣的：
這里，我們使用了LabelEncoder函數，成功地把類別變成了數值。小測驗：在grade列下面，B被映射成了什么數字？
請對比兩個表格，思考10秒鐘。
答案是1。你答對了嗎？
下面我們需要做的事情，是把數據分成兩部分，分別叫做訓練集和測試集。
為什么這么折騰？
因為有道理。
想想看，如果期末考試之前，老師給你一套試題和答案，你把它背了下來。然后考試的時候，只是從那套試題里面抽取一部分考。你憑借超人的記憶力獲得了100分。請問你學會了這門課的知識了嗎？不知道如果給你新的題目，你會不會做呢？答案還是不知道。
所以考試題目需要和復習題目有區別。同樣的道理，我們用數據生成了決策樹，這棵決策樹肯定對已見過的數據處理得很完美。可是它能否推廣到新的數據上呢？這才是我們真正關心的。就如同在本例中，你的公司關心的，不是以前的貸款該不該貸。而是如何處理今后遇到的新貸款申請。
把數據隨機拆分成訓練集和測試集，在Python里只需要2條語句就夠了。
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_trans, y, random_state=1)
我們看看訓練數據集的形狀：
X_train.shape
運行結果如下：
(34881, 12)
測試集呢？
X_test.shape
這是運行結果：
(11627, 12)
至此，一切數據準備工作都已就緒。我們開始呼喚Python中的scikit-learn軟件包。決策樹的模型，已經集成在內。只需要3條語句，直接調用就可以，非常方便。
from sklearn import tree
clf = tree.DecisionTreeClassifier(max_depth=3)
clf = clf.fit(X_train, y_train)
好了，你要的決策樹已經生成完了。
就是這么簡單。任性吧？
可是，我怎么知道生成的決策樹是個什么樣子呢？眼見才為實！
這個……好吧，咱們把決策樹畫出來吧。注意這一段語句內容較多。以后有機會咱們再詳細介紹。此處你把它直接抄進去執行就可以了。
with open("safe-loans.dot", 'w') as f:
f = tree.export_graphviz(clf,
out_file=f,
max_depth = 3,
impurity = True,
feature_names = list(X_train),
class_names = ['not safe', 'safe'],
rounded = True,
filled= True )
from subprocess import check_call
check_call(['dot','-Tpng','safe-loans.dot','-o','safe-loans.png'])
from IPython.display import Image as PImage
from PIL import Image, ImageDraw, ImageFont
img = Image.open("safe-loans.png")
draw = ImageDraw.Draw(img)
img.save('output.png')
PImage("output.png")
見證奇跡的時刻到了：
你是不是跟我第一次看到決策樹的可視化結果一樣，驚詫了？
我們其實只讓Python生成了一棵簡單的決策樹（深度僅3層），但是Python已經盡職盡責地幫我們考慮到了各種變量對最終決策結果的影響。
欣喜若狂的你，在悄悄背誦什么？你說想把這棵決策樹的判斷條件背下來，然后去做貸款風險判斷？
省省吧。都什么時代了，還這么喜歡背誦？
以后的決策，電腦可以自動化幫你完成了。
你不信？
我們隨便從測試集里面找一條數據出來。讓電腦用決策樹幫我們判斷一下看看。
test_rec = X_test.iloc[1,:]
clf.predict([test_rec])
電腦告訴我們，它調查后風險結果是這樣的：
array([1])
之前提到過，1代表這筆貸款是安全的。實際情況如何呢？我們來驗證一下。從測試集目標里面取出對應的標記：
y_test.iloc[1]
結果是：
1
經驗證，電腦通過決策樹對這個新見到的貸款申請風險判斷無誤。
但是我們不能用孤證來說明問題。下面我們驗證一下，根據訓練得來的決策樹模型，貸款風險類別判斷準確率究竟有多高。
from sklearn.metrics import accuracy_score
accuracy_score(y_test, clf.predict(X_test))
雖然測試集有近萬條數據，但是電腦立即就算完了：
0.61615205986066912
你可能會有些失望——忙活了半天，怎么才60%多的準確率？剛及格而已嘛。
不要灰心。因為在整個兒的機器學習過程中，你用的都是缺省值，根本就沒有來得及做一個重要的工作——優化。
想想看，你買一臺新手機，自己還得設置半天，不是嗎？面對公司的貸款業務，你用的竟然只是沒有優化的缺省模型。可即便這樣，準確率也已經超過了及格線。
關于優化的問題，以后有機會咱們詳細展開來聊。
你終于擺脫了實習第一天就灰溜溜逃走的厄運。我仿佛看到了一顆未來的華爾街新星正在冉冉升起。
茍富貴，無相忘哦。
貸款風險判斷之外，你覺得決策樹還有哪些用武之地？除了本文提到的決策樹，你還知道哪幾種用于分類的機器學習算法？歡迎留言分享給大家，我們一起交流討論。
雷鋒網相關閱讀：
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
