• ?? 作者：韓信子@ShowMeAI
• ?? 機器學習實戰系列: www.showmeai.tech/tutorials/4…
• ?? 本文地址：www.showmeai.tech/article-det…
• ?? 聲明：版權所有，轉載請聯系平臺與作者并注明出處
• ?? 收藏ShowMeAI查看更多精彩內容

機器學習與流水線（pipeline）簡介

我們知道機器學習應用過程包含很多步驟，如圖所示『標準機器學習應用流程』，有數據預處理、特征工程、模型訓練、模型迭代優化、部署預估等環節。

在簡單分析與建模時，可以對每個板塊進行單獨的構建和應用。但在企業級應用中，我們更希望機器學習項目中的不同環節有序地構建成工作流（pipeline），這樣不同流程步驟更易于理解、可重現、也可以防止數據泄漏等問題。

常用的機器學習建模工具，比如 Scikit-Learn，它的高級功能就覆蓋了 pipeline，包含轉換器、模型和其他模塊等。

關于 Scikit-Learn 的應用方法可以參考ShowMeAI ??機器學習實戰教程 中的文章 ??SKLearn最全應用指南，也可以前往 ??Scikit-Learn 速查表 獲取高密度的知識點清單。

但是，SKLearn 的簡易用法下，如果我們把外部工具庫，比如處理數據樣本不均衡的 imblearn合并到 pipeline 中，卻可能出現不兼容問題，比如有如下報錯：

TypeError: All intermediate steps should be transformers and implement fit and transform or be the string ‘passthrough’ ‘SMOTE()’ (type <class ‘imblearn.over_sampling._smote.base.SMOTE’>) doesn’t

本文以『客戶流失』為例，講解如何構建 SKLearn 流水線，具體地說包含：

• 構建一個流水線(pipeline) ，會覆蓋到 Scikit-Learn、 imblearn 和 feature-engine 工具的應用
• 在編碼步驟（例如 one-hot 編碼）之后提取特征
• 構建特征重要度圖

最終解決方案如下圖所示：在一個管道中組合來自不同包的多個模塊。

我們下面的方案流程，覆蓋了上述的不同環節：

• 步驟 ①：數據預處理：數據清洗
• 步驟 ②：特征工程：數值型和類別型特征處理
• 步驟 ③：樣本處理：類別非均衡處理
• 步驟 ④：邏輯回歸、xgboost、隨機森林 及 投票集成
• 步驟 ⑤：超參數調優與特征重要度分析

?? 步驟0：準備和加載數據

我們先導入所需的工具庫。

# 數據處理與繪圖
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Sklearn工具庫
from sklearn.model_selection import train_test_split, RandomizedSearchCV, RepeatedStratifiedKFold, cross_validate

# pipeline流水線相關
from sklearn import set_config
from sklearn.pipeline import make_pipeline, Pipeline
from imblearn.pipeline import Pipeline as imbPipeline
from sklearn.compose import ColumnTransformer, make_column_selector
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, MinMaxScaler

# 常數列、缺失列、重復列 等處理
from feature_engine.selection import DropFeatures, DropConstantFeatures, DropDuplicateFeatures

# 非均衡處理、樣本采樣
from imblearn.over_sampling import SMOTE
from imblearn.under_sampling import RandomUnderSampler

# 建模模型
from xgboost import XGBClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier, VotingClassifier
from sklearn.metrics import roc_auc_score
from sklearn.inspection import permutation_importance
from scipy.stats import loguniform

# 流水線可視化
set_config(display="diagram")

如果你之前沒有聽說過 imblearn 和 feature-engine 工具包，我們做一個簡單的說明：

• ??Imblearn 可以處理類別不平衡的分類問題，內置不同的采樣策略
• ??feature-engine 用于特征列的處理（常數列、缺失列、重復列 等）

數據集：報紙訂閱用戶流失

我們這里用到的數據集來自 Kaggle 比賽 Newspaper churn。數據集包括15856條現在或曾經訂閱該報紙的個人記錄。

?? 實戰數據集下載（百度網盤）：公眾號『ShowMeAI研究中心』回復『實戰』，或者點擊 這里 獲取本文 [14] 機器學習建模應用流水線 pipeline 『Newspaper churn 數據集』

? ShowMeAI官方GitHub：[github.com/ShowMeAI-Hu…

數據集包含人口統計信息，如代表家庭收入的HH信息、房屋所有權、小孩信息、種族、居住年份、年齡范圍、語言；地理信息如地址、州、市、縣和郵政編碼。另外，用戶選擇的訂閱期長，以及與之相關的收費數據。該數據集還包括用戶的來源渠道。最后會有字段表征客戶是否仍然是我們的訂戶(是否流失)。

數據預處理與切分

我們先加載數據并進行預處理（例如將所有列名都小寫并將目標變量轉換為布爾值）。

# 讀取數據
data = pd.read_excel("NewspaperChurn new version.xlsx")

#數據預處理
data.columns = [k.lower().replace(" ", "_") for k in data.columns]
data.rename(columns={'subscriber':'churn'}, inplace=True)
data['churn'].replace({'NO':False, 'YES':True}, inplace=True)

# 類型轉換
data[data.select_dtypes(['object']).columns] = data.select_dtypes(['object']).apply(lambda x: x.astype('category'))

# 取出特征列和標簽列
X = data.drop("churn", axis=1)
y = data["churn"]

# 訓練集驗證集切分
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2)

預處理過后的數據應如下所示：

?? 步驟1：數據清洗

我們構建的 pipeline 流程的第一步是『數據清洗』，刪除對預測沒有幫助的列（比如 id 類字段，恒定值字段，或者重復的字段）。

# 步驟1：數據清洗+字段處理
ppl = Pipeline([
    ('drop_columns', DropFeatures(['subscriptionid'])),
    ('drop_constant_values', DropConstantFeatures(tol=1, missing_values='ignore')),
    ('drop_duplicates', DropDuplicateFeatures())
])

上面的代碼創建了一個 pipeline 對象，它包含 3 個步驟：drop_columns、drop_constant_values、drop_duplicates。

這些步驟是元組形態的，第一個元素定義了步驟的名稱（如 drop_columns），第二個元素定義了轉換器（如 DropFeatures()）。

這些簡單的步驟，大家也可以通過 pandas 之類的外部工具輕松完成。 但是，我們在組裝流水線時的想法是在pipeline中集成盡可能多的功能。

?? 步驟2：特征工程與數據變換

在前面剔除不相關的列之后，我們接下來做一下缺失值處理和特征工程。 可以看到數據集包含不同類型的列（數值型和類別型 ），我們會針對這兩個類型定義兩個獨立的工作流程。

關于特征工程，可以查看ShowMeAI ??機器學習實戰教程 中的文章 ??機器學習特征工程最全解讀。

# 數據處理與特征工程pipeline

ppl = Pipeline([
    # ① 剔除無關列
    ('drop_columns', DropFeatures(['subscriptionid'])),
    ('drop_constant_values', DropConstantFeatures(tol=1, missing_values='ignore')),
    ('drop_duplicates', DropDuplicateFeatures()),

    # ② 缺失值填充與數值/類別型特征處理
    ('cleaning', ColumnTransformer([
        # 2.1: 數值型字段缺失值填充與幅度縮放
        ('num',make_pipeline(
            SimpleImputer(strategy='mean'),
            MinMaxScaler()),
         make_column_selector(dtype_include='int64')
        ),
        # 2.2：類別型字段缺失值填充與獨熱向量編碼
        ('cat',make_pipeline(
            SimpleImputer(strategy='most_frequent'),
            OneHotEncoder(sparse=False, handle_unknown='ignore')),
         make_column_selector(dtype_include='category')
        )])
    )
])

添加一個名為clearning 的步驟，對應一個 ColumnTransformer 對象。

在 ColumnTransformer 中，設置了兩個新 pipeline：一個用于處理數值型，一個用于類別型處理。 通過 make_column_selector 函數確保每次選出的字段類型是對的。

這里使用 dtype_include 參數選擇對應類型的列，這個函數也可以提供列名列表或正則表達式來選擇。

?? 步驟3：類別非均衡處理（數據采樣）

在『用戶流失』和『欺詐識別』這樣的問題場景中，一個非常大的挑戰就是『類別不平衡』——也就是說，流失用戶相對于非流失用戶來說，數量較少。

這里我們會采用到一個叫做 im``blearn 的工具庫來處理類別非均衡問題，它提供了一系列數據生成與采樣的方法來緩解上述問題。 本次選用 SMOTE 采樣方法來對少的類別樣本進行重采樣。

SMOTE類別非均衡處理

添加 SMOTE 步驟后的 pipeline 如下：

# 總體處理pipeline

ppl = Pipeline([
    # ① 剔除無關列
    ('drop_columns', DropFeatures(['subscriptionid'])),
    ('drop_constant_values', DropConstantFeatures(tol=1, missing_values='ignore')),
    ('drop_duplicates', DropDuplicateFeatures()),

    # ② 缺失值填充與數值/類別型特征處理
    ('cleaning', ColumnTransformer([
        # 2.1: 數值型字段缺失值填充與幅度縮放
        ('num',make_pipeline(
            SimpleImputer(strategy='mean'),
            MinMaxScaler()),
         make_column_selector(dtype_include='int64')
        ),
        # 2.2：類別型字段缺失值填充與獨熱向量編碼
        ('cat',make_pipeline(
            SimpleImputer(strategy='most_frequent'),
            OneHotEncoder(sparse=False, handle_unknown='ignore')),
         make_column_selector(dtype_include='category')
        )])
    ),
    # ③ 類別非均衡處理：重采樣
    ('smote', SMOTE())
])

pipeline 特征校驗

在最終構建集成分類器模型之前，我們查看一下經過 pipeline 處理得到的特征名稱和其他信息。

pipeline 對象提供了一個名為 get_feature_names_out() 的函數，我們可以通過它獲取特征名稱。但在使用它之前，我們必須在數據集上擬合。 由于第 ③ 步 SMOTE 處理僅關注我們的標簽 y 數據，我們暫時忽略它并專注于第 ① 和 ② 步。

# 擬合數據，獲取pipeline構建的特征名稱和信息
ppl_fts = ppl[0:4]
ppl_fts.fit(X_train, y_train)
features = ppl_fts.get_feature_names_out()
pd.Series(features)

結果如下所示：

0                    num__year_of_residence
1                             num__zip_code
2                       num__reward_program
3        cat__hh_income_$  20,000 - $29,999
4        cat__hh_income_$  30,000 - $39,999
                        ...                
12122               cat__source_channel_TMC
12123            cat__source_channel_TeleIn
12124           cat__source_channel_TeleOut
12125               cat__source_channel_VRU
12126          cat__source_channel_iSrvices
Length: 12127, dtype: object

由于獨熱向量編碼，許多帶著 cat_ 開頭（代表 category）的特征名已被創建。

如果大家想得到上面流程圖一樣的 pipeline 可視化，只需在代碼中做一點小小的修改，在調用 pipeline 對象之前在您的代碼中添加 set_config(display="diagram")。

?? 步驟4：構建集成分類器

下一步我們訓練多個模型，并使用功能強大的集成模型（投票分類器）來解決當前問題。

關于這里使用到的邏輯回歸、隨機森林和 xgboost 模型，大家可以在 ShowMeAI 的 ??圖解機器學習算法教程 中看到詳細的原理講解。

# 邏輯回歸模型
lr = LogisticRegression(warm_start=True, max_iter=400)
# 隨機森林模型
rf = RandomForestClassifier()
# xgboost
xgb = XGBClassifier(tree_method="hist", verbosity=0, silent=True)
# 用投票器進行集成
lr_xgb_rf = VotingClassifier(estimators=[('lr', lr), ('xgb', xgb), ('rf', rf)], 
                             voting='soft')

定義集成模型后，我們也把它集成到我們的 pipeline 中。

# 總體處理pipeline

ppl = imbPipeline([
    # ① 剔除無關列
    ('drop_columns', DropFeatures(['subscriptionid'])),
    ('drop_constant_values', DropConstantFeatures(tol=1, missing_values='ignore')),
    ('drop_duplicates', DropDuplicateFeatures()),

    # ② 缺失值填充與數值/類別型特征處理
    ('cleaning', ColumnTransformer([
        # 2.1: 數值型字段缺失值填充與幅度縮放
        ('num',make_pipeline(
            SimpleImputer(strategy='mean'),
            MinMaxScaler()),
         make_column_selector(dtype_include='int64')
        ),
        # 2.2：類別型字段缺失值填充與獨熱向量編碼
        ('cat',make_pipeline(
            SimpleImputer(strategy='most_frequent'),
            OneHotEncoder(sparse=False, handle_unknown='ignore')),
         make_column_selector(dtype_include='category')
        )])
    ),
    # ③ 類別非均衡處理：重采樣
    ('smote', SMOTE()),
    # ④ 投票器集成
    ('ensemble', lr_xgb_rf)
])

大家可能會注意到，我們在第1行中使用到的 Pipeline 替換成了 imblearn 的 imbPipeline 。這是很關鍵的一個處理，如果我們使用 SKLearn 的 pipeline，在擬合時會出現文初提到的錯誤：

TypeError: All intermediate steps should be transformers and implement fit and transform or be the string 'passthrough' 'SMOTE()' (type <class 'imblearn.over_sampling._smote.base.SMOTE'>) doesn't

到這一步，我們就把基本的 pipeline 流程構建好了。

?? 步驟5：超參數調整和特征重要性

超參數調優

我們構建的整條建模流水線中，很多組件都有超參數可以調整，這些超參數會影響最終的模型效果。對 pipeline 如何進行超參數調優呢，我們選用隨機搜索 RandomizedSearchCV 對超參數進行調優，代碼如下。

關于搜索調參的詳細原理知識，大家可以查看 ShowMeAI 在文章 ??網絡優化: 超參數調優、正則化、批歸一化和程序框架 中的介紹。

大家特別注意代碼中的命名規則。

# 超參數調優
params = {
    'ensemble__lr__solver': ['newton-cg', 'lbfgs', 'liblinear'],
    'ensemble__lr__penalty': ['none', 'l1', 'l2', 'elasticnet'],
    'ensemble__lr__C': loguniform(1e-5, 100),
    'ensemble__xgb__learning_rate': [0.1],
    'ensemble__xgb__max_depth': [7, 10, 15, 20],
    'ensemble__xgb__min_child_weight': [10, 15, 20, 25],
    'ensemble__xgb__colsample_bytree': [0.8, 0.9, 1],
    'ensemble__xgb__n_estimators': [300, 400, 500, 600],
    'ensemble__xgb__reg_alpha': [0.5, 0.2, 1],
    'ensemble__xgb__reg_lambda': [2, 3, 5],
    'ensemble__xgb__gamma': [1, 2, 3],
    'ensemble__rf__max_depth': [7, 10, 15, 20],
    'ensemble__rf__min_samples_leaf': [1, 2, 4],
    'ensemble__rf__min_samples_split': [2, 5, 10],
    'ensemble__rf__n_estimators': [300, 400, 500, 600],
}

# 隨機搜索調參
rsf = RepeatedStratifiedKFold(random_state=42)
clf = RandomizedSearchCV(ppl, params,scoring='roc_auc', verbose=2, cv=rsf)
clf.fit(X_train, y_train)

# 輸出信息
print("Best Score: ", clf.best_score_)
print("Best Params: ", clf.best_params_)
print("AUC:", roc_auc_score(y_val, clf.predict(X_val)))

解釋一下上面代碼中的超參數命名：

• 第一個參數（ ensemble__ ）：我們的 VotingClassifier 的名稱
• 第二個參數（ lr__ ）：我們集成中使用的模型的名稱
• 第三個參數（ solver ）：模型相關超參數的名稱

因為這里是類別不平衡場景，我們使用重復分層 k-fold ( RepeatedStratifiedKFold）。

超參數調優這一步也不是必要的，在簡單的場景下，大家可以直接使用默認參數，或者在定義模型的時候敲定超參數。

特征重要度圖

為了不讓我們的模型成為黑箱模型，我們希望對模型做一些解釋，其中最重要的是歸因分析，我們希望了解哪些特征是重要的，這里我們對特征重要度進行繪制。

# https://inria.github.io/scikit-learn-mooc/python_scripts/dev_features_importance.html
# 繪制特征重要度
def plot_feature_importances(perm_importance_result, feat_name):
    """ bar plot the feature importance """
    fig, ax = plt.subplots()

    indices = perm_importance_result['importances_mean'].argsort()
    plt.barh(range(len(indices)),
             perm_importance_result['importances_mean'][indices],
             xerr=perm_importance_result['importances_std'][indices])
    ax.set_yticks(range(len(indices)))
    ax.set_title("Permutation importance")

    tmp = np.array(feat_name)
    _ = ax.set_yticklabels(tmp[indices])

# 獲取特征名稱
ppl_fts = ppl[0:4]
ppl_fts.fit(X_train, y_train)
features = ppl_fts.get_feature_names_out()

# 用亂序法進行特征重要度計算和排列，以及繪圖
perm_importance_result_train = permutation_importance(clf, X_train, y_train, random_state=42)
plot_feature_importances(perm_importance_result_train, features)

上述代碼運行后的結果圖如下，我們可以看到特征 hh_income 在預測中占主導地位。 由于這個特征其實是可以排序的（比如 30-40k 比 150-175k 要小），我們可以使用不同的編碼方式（比如使用 LabelEncoding 標簽編碼）。

以上就是完整的機器學習流水線構建過程，大家可以看到，pipeline 可以把不同的環節集成在一起，一次性運行與調優，代碼和流程都更為簡潔緊湊，效率也更高。

參考資料

• ?? 實戰數據集下載（百度網盤）：公眾號『ShowMeAI研究中心』回復『實戰』，或者點擊 這里 獲取本文 [14] 機器學習建模應用流水線 pipeline 『Newspaper churn 數據集』
• ? ShowMeAI官方GitHub：github.com/ShowMeAI-Hu…
• ?? 機器學習實戰教程: www.showmeai.tech/tutorials/4…
• ?? SKLearn最全應用指南: www.showmeai.tech/article-det…
• ?? Imblearn 處理類別不平衡的分類: imbalanced-learn.org/stable/
• ?? feature-engine 特征列的處理（常數列、缺失列、重復列等）: feature-engine.readthedocs.io/en/latest/
• ?? 機器學習實戰教程: showmeai.tech/tutorials/4…
• ?? 機器學習特征工程最全解讀: www.showmeai.tech/article-det…
• ?? 圖解機器學習算法教程: showmeai.tech/tutorials/3…
• ?? 網絡優化: 超參數調優、正則化、批歸一化和程序框架: www.showmeai.tech/article-det…
• ?? Scikit-Learn 速查表: www.showmeai.tech/article-det…
• ?? Advanced Pipelines with scikit-learn @Konstantin Rink:towardsdatascience.com/advanced-pi…

作者：ShowMeAI
鏈接：https://juejin.cn/post/7119767971467100167