KTV 歌曲推荐-PCA 降维+逻辑回归-性别预测及过拟合处理
前言 上一篇使用逻辑回归预测了用户性别，由于矩阵比较稀疏所以会影响训练速度。所以考虑降维，降维方案有很多，本次只考虑PCA和SVD。 PCA和SVD原理 有兴趣的可以自己去研究一下 https://medium.com/@jonathan_hui/machine-learning-singular-value-decomposition-svd-principal-component-analysis-pca-1d45e885e491 我简述一下： PCA是将高维数据映射到低维坐标系中，让数据尽量稀疏 SVD就是非方阵的PCA 实际使用中SVD和PCA并无太大区别 如果特征大于数据记录数，并不能有好的效果，具体原因自己可以去看。 代码 数据获取和处理 以前文章写过很多次，这里略过 原数据shape为：2000*1900 PCA和矩阵转换 查看最佳维度数 %matplotlib inline import numpy as np import matplotlib.pyplot as plt from sklearn.decomposition import PCA pca = PCA().fit(song_hot_matrix) plt.plot(np.cumsum(pca.explained_variance_ratio_)) plt.xlabel('number of components') plt.ylabel('cumulative explained variance'); 从图中可以看出大概1500维度已经可以达到90+解释性 保留99%矩阵解释性 pca = PCA(n_components=0.99, whiten=True) song_hot_matrix_pca = pca.fit_transform(song_hot_matrix) 得到压缩后特征为： 2000*1565 并没有压缩多少 模型训练 import os os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" # see issue #152 os.environ["CUDA_VISIBLE_DEVICES"] = "" import numpy as np from keras.models import Sequential from keras.layers import Dense, Activation, Embedding,Flatten,Dropout import matplotlib.pyplot as plt from keras.utils import np_utils from sklearn import datasets from sklearn.model_selection import train_test_split n_class=user_decades_encoder.get_class_count() song_count=song_label_encoder.get_class_count() print(n_class) print(song_count) train_X,test_X, train_y, test_y = train_test_split(song_hot_matrix_pca, decades_hot_matrix, test_size = 0.2, random_state = 0) train_count = np.shape(train_X)[0] # 构建神经网络模型 model = Sequential() model.add(Dense(input_dim=song_hot_matrix_pca.shape[1], units=n_class)) model.add(Activation('softmax')) # 选定loss函数和优化器 model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) # 训练过程 print('Training -----------') for step in range(train_count): scores = model.train_on_batch(train_X, train_y) if step % 50 == 0: print("训练样本 %d 个, 损失: %f, 准确率: %f" % (step, scores[0], scores[1]*100)) print('finish!') 训练结果： 训练样本 4750 个, 损失: 0.371499, 准确率: 83.207470 训练样本 4800 个, 损失: 0.381518, 准确率: 82.193959 训练样本 4850 个, 损失: 0.364363, 准确率: 83.763909 训练样本 4900 个, 损失: 0.378466, 准确率: 82.551670 训练样本 4950 个, 损失: 0.391976, 准确率: 81.756759 训练样本 5000 个, 损失: 0.378810, 准确率: 83.505565 测试集验证： # 准确率评估 from sklearn.metrics import classification_report scores = model.evaluate(test_X, test_y, verbose=0) print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100)) Y_test = np.argmax(test_y, axis=1) y_pred = model.predict_classes(song_hot_matrix_pca.transform(test_X)) print(classification_report(Y_test, y_pred)) accuracy: 50.20% 很明显已经过拟合 处理过拟合-增加Dropout 这里使用加Dropout，随机丢弃特征的方式处理过拟合，代码： # 构建神经网络模型 model = Sequential() model.add(Dropout(0.5)) model.add(Dense(input_dim=song_hot_matrix_pca.shape[1], units=n_class)) model.add(Activation('softmax')) accuracy：70% 处理过拟合-L1L2正则 这里给权重增加正则 # 构建神经网络模型 model = Sequential() model.add(Dense(input_dim=song_hot_matrix_pca.shape[1], units=n_class, kernel_regularizer=regularizers.l2(0.01))) model.add(Activation('softmax')) accuracy：62% Well Done 其实SVD的做法与PCA类似，这里不再演示。经过我测试发现，在我的数据集上，PCA虽然加快了训练速度，但是丢弃了太多特征，导致数据很容易过拟合。加入Dropout或者增加正则相可以改善过拟合的情况，下一篇会分享自编码降维。
