一、yellowbick简介
这个库我昨天刚刚在PyData2018看到的库，一开始觉得内容没啥用。后来翻看这个库的文档觉得对于机器学习帮助很大，就写了今天这篇文章。
yellowbrick是一款可视化分析和诊断库，可以帮助理解并优化模型。。
yellowbrick是一组名为Visualizers（可视器）的可视化诊断套件。它在scikit-learn的api基础上做了扩展，能让我们更容易的驾驭模型优化阶段。简而言之，yellowbrick将scikit-learn和matplotlib有机结合起来，通过可视化方式帮助我们优化。
http://www.scikit-yb.org/en/latest/quickstart.html复制代码可视器-Visualizers
因为yellowbrick是在scikit基础上做的封装，Visualizers（可视器）实际上就是scikit中的estimator（评估器），Visualizers可以从数据中学习规律并通过可视化来增进我们对于数据的理解，进而优化模型。从scikit-learn角度看，当我们可视化数据特征空间，visualizer功能很类似与scikit的transformer。
二、 安装yellowbrick库
在终端中输入下面命令
pip3 install -U yellowbrick复制代码如果你使用anaconda自带jupyter notebook，那么你可能要在终端中使用下面的命令
conda install -c districtdatalabs yellowbrick复制代码三、小案例
由于这个库很有用，后面我会拿出时间学习这个库。今天就先只放yellowbrick的少部分案例，以后抽时间深挖下这个库。
3.1 实例的水平可视化
如果数据集特征数大于3，我们很难在坐标系中将其可视化。而yellowbrick的水平可视化方法，可以很好的解决这个问题。水平轴代表不同的特征，纵向代表特征的值。在这里我们使用scikit-learn中的iris数据集，该数据集有三种花，四种特征。
再重新解释下，yellowbrick是对scikit的封装，所以很多语法很类似。比如在可视器Visualizer跟Estimator类似，都有fit和transform方法。而Visualizer绘图时的我们只需要在visualizer上使用poof方法。
%matplotlib inlineimport matplotlib.pyplot as pltfrom sklearn.datasets import load_irisfrom yellowbrick.features import ParallelCoordinatesiris = load_iris()X = iris.datay = iris.target#Parallel Coordinates：实例的水平可视化visualizer = ParallelCoordinates()visualizer.fit_transform(X, y)#我发现这里仅使用fit效果与fit_transform画出来的图效果差不多。大家自己试一试visualizer.poof()复制代码poof方法会终绘图（在画布中会自动添加标题，轴标签等等），然后将其渲染到jupyter notebook或者GUI中。poof方法还可以将可视化效果保存到图片或者pdf文件中。
这两种写法我在notebook中运行没有看到有文件生成，但是在pycharm中运行并发现有这些文件生成。visualizer.poof(output='pcoords.png')visualizer.poof(output='pcoords.pdf')复制代码3.2 模型评估可视化
Visualizer不知可以对数据进行可视化，还可以对scikit-learn的模型进行评估、超参数调优（hyperparameter tuning ）和算法选择。例如，为了生成一个分类报告的热力图，显示准确率、召回率和F1值信息，我们可以使用下面的 代码。
%matplotlib inlinefrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom yellowbrick.classifier import ClassificationReportfrom sklearn.linear_model import LogisticRegression#读取数据iris = load_iris()X, y = iris.data, iris.target#将数据分为训练集合测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.4, random_state= 100)#初始化visualizer，该visualizer好像继承了model的能力model = LogisticRegression()visualizer = ClassificationReport(model)#visualizer开始学习训练集中的规律visualizer.fit(X_train, y_train)#visualizer评测模型学习效果visualizer.score(X_test, y_test)#可视化visualizer.poof()复制代码我们简单的解读下，横坐标分别是准确率、召回率、F值、纵坐标代表的是3种花。
其中种花（0）准确率达到，和第二种花（1）的达到93.3%， 第三种花（2）达到92.3%。
其他的召回率和F值都很好理解，我就不解说了。
3.3 将数据和模型评估同时可视化
yellowbrick还可以调用函数，直接同构两行代码将数据可视化和模型平柜可视化一起解决。这里我就不分训练测试了，
%matplotlib inlinefrom sklearn.datasets import load_irisfrom yellowbrick.features import parallel_coordinatesfrom yellowbrick.classifier import classification_reportfrom sklearn.linear_model import LogisticRegression#读取数据iris = load_iris()X, y = iris.data, iris.target#数据可视化parallel_coordinates(X, y)复制代码#模型评估classification_report(LogisticRegression(), X, y)复制代码四、 大实例
4.1 共线性检验Rand2D
前面三个都比较简短，现在我们做一个比较完整的示例。在线性回归中，特征的选择要保证特征（变量）之间彼此尽量相互独立，不要出现共线性。我们使用Rank2D可视化器viasulizer来可视化两两变量间的相关系数。
我们使用共享单车数据集（bike sharing datasets），该数据已经存放到文件夹中，bikesharing.csv。通过分析该数据集我们希望根据季节，天气或假期等特征预测在特定小时内租用的自行车数量。
import pandas as pdfrom yellowbrick.features import Rank2D#读取数据data = pd.read_csv('bikeshare.csv')X = data[["season", "month", "hour", "holiday", "weekday", "workingday","weather", "temp", "feelslike", "humidity", "windspeed"]]y = data["riders"]visualizer = Rank2D()visualizer.fit_transform(X, y)visualizer.poof()复制代码4.2 JointPlotVisualizer
从上面图可以看到，month和season相关性好像大于0.75,这个很好理解。feelslike与temp相关性接近于1，这个还需要进一步探索。我们使用JointPlotVisualizer来检查两者的关系。
from yellowbrick.features import JointPlotVisualizervisualizer = JointPlotVisualizer(feature='temp', target='feelslike')visualizer.fit(X['temp'], X['feelslike'])visualizer.poof()复制代码从上面的图中，feelslike与temp有很强的线性关系，JointPlotVisualizer可以让我们很容易查看特征（变量）之间的相关性，以及特征值的范围和分布。需要指出的是横纵坐标轴是经过标准化处理，使得两变量的值分布在[0,1],防止量纲导致两变量对因变量影响力的大小缺乏真实性，无法做出科学的对比。
上图很有意思：
feelslike在0.25附近有少量的离群点，需要手动移除掉以保证终的模型的质量。
我们发现温度越高，人们觉得越热。越冷，人们月的越冷。这提示我们，使用feelslike可能比temp更好，因为feelslike有可能对因变量的影响更具有真实性直接性。
4.3 残差分析
现在我们使用线性回归模型训练bikesharing数据,看看训练后线性回归模型的残差(Residuals)等信息。
from yellowbrick.regressor import ResidualsPlotfrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_split#读取数据data = pd.read_csv('bikeshare.csv')X = data[["season", "month", "hour", "holiday", "weekday", "workingday","weather", "temp", "feelslike", "humidity", "windspeed"]]y = data["riders"]#分割训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state=100)#初始化visualizer，继承LinearRegression的能力visualizer = ResidualsPlot(LinearRegression())visualizer.fit(X_train, y_train) #训练visualizer.score(X_test, y_test) #模型评估visualizer.poof()复制代码残差图显示对预测值的误差，并允许我们寻找模型中的异方差性;例如误差大的目标区域。残差的形状可以很好地告诉我们OLS（普通小二乘）受到我们模型的特征强烈影响。 在这种情况下，我们可以看到预测值越低（车手数量越少），误差越低，但预测的车手数量越高，误差越高。
这表明我们的模型在某些目标区域有更多的噪声，或者两个变量是共线的，这意味着它们在它们关系中的噪声发生变化时注入误差。
残差图(residuals plot)还显示了模型中的误差是如何产生的，residulas = 0处的粗体水平线表示没有误差，并且该线之上或之下的任何点都表示误差的大小。 例如，大多数残差是负数，并且由于residuals = actual - predicted，这意味着 预测值大部分时间大于实际值。例如， 我们的模型主要是预测比实际骑手的数量更多。 此外，残差图的右上方有一个非常有趣的边界，表明模型空间中有一个有趣的影响; 在该模型的区域中可能某些特征被极大的加权了。
在上图中，因为训练集和测试集都被分配为不同的颜色。这有利于我们合理分割训练集和测试集，如果测试集误差不能很好的与训练集重合，那么训练的模型要么过拟合（overfit）要么欠拟合（underfit），据此我们可以得出在分割训练集和测试集之初，可能我们在分割前没有将数据打乱。
因为我们的训练集的判定系数（ R 2 ）是0.341，让我们看看能不能通过将数据标准化后将判定系数提高。yellowbrick这个例子有点复杂，会用到Ridge回归。对这方面我也不懂，百度了发现Lasso和Ridge经常出现在一起，我就一起科普一下。
Lasso回归可以使得一些特征的系数变小，甚至还是一些值较小的系数直接变为0，增强模型的泛化能力
Ridge回归在不抛弃任何一个特征的情况下，缩小了回归系数，使得模型相对而言比较的稳定，但和Lasso回归比，这会使得模型的特征留的特别多，模型解释性差。
import numpy as npfrom sklearn.linear_model import RidgeCV #交叉检验Ridge回归from yellowbrick.regressor import AlphaSelectionalphas = np.logspace(-10, 1, 200)visualizer = AlphaSelection(RidgeCV(alphas=alphas))visualizer.fit(X, y)visualizer.poof()复制代码在探索模型族时，要考虑的主要问题是模型的复杂度。 随着模型复杂度的增加，由于变化导致的误差增加，模型过度拟合并且不能推广到测试数据（未来或者未知的数据）。 然而，模型越简单，偏差就可能导致更多的误差；模型欠拟合会更频繁地错过目标（target，这里我不知道怎么翻译）。 大多数机器学习的目标是创建一个足够复杂的模型，找到偏差和方差之间的中间地带。
对于线性模型，复杂性来自特征本身以及根据模型分配的权重。 线性模型因此期望达到解释结果同时尽可能用少数量的特征。 实现这一目标的一种技术是正则化，即引入一个称为alpha的参数，用于相互校正系数的权重并惩罚复杂性。 alpha和复杂度有相反的关系，阿尔法越高，模型的复杂性就越低，反之亦然。
这个问题因此成为你如何选择alpha。 一种技术是使用交叉验证（cross validation）来拟合多个模型，并选择具有低误差的alpha。 AlphaSelection可视化工具可以让您做到这一点，并以可视化的方式显示正则化的行为。 正如您在上图中看到的那样，误差随着alpha值先降低后升高。在alpha=3.612达到误差小值。 这使我们能够针对偏差/方差权衡并探索正则化方法的关系（例如Ridge和Lasso）。
我们现在使用PredicionError来可视化我们的模型,来看看真实值与预测值分布。
from sklearn.linear_model import Ridgefrom yellowbrick.regressor import PredictionErrorvisualizer = PredictionError(Ridge(alpha=3.612))visualizer.fit(X_train, y_train)visualizer.score(X_test, y_test)visualizer.poof()复制代码按理想情况，所有的点应该分布在45%线（identity线）附近，但是现实情况肯定是预测值与真实值存在出入，所以好的拟合结果应该是加粗黑色虚线（best fit）。就像残差图一样，这可以让我们看到误差发生的位置和幅度。
在这个图中，我们可以看到大多数实例密度小于200个骑手。 我们可能想尝试正交匹配追踪或样条拟合，以适应考虑到更多区域性的回归。 我们还可以注意到，残差图的奇怪拓扑结构似乎是用Ridge回归来修正的，并且我们的模型在大小值之间存在更多的平衡。 可能的是，Ridge正则化解决了两个特征之间存在的协方差问题。 随着我们使用其他模型形式进行分析，我们可以继续利用可视化工具快速比较并查看我们的结果。
Wow，终于写完了。这只是yellowbrick文档的快速入门（quickstart）部分，我再简单介绍yellowbrick完整的功能模块
四、yellowbrick各功能介绍
4.1特征可视化
Rank Features：单个或成对特征排序以检测关系
Parallel Coordinates：实例的水平可视化
Radial Visualization：围绕圆形图分离实例
PCA Projection：基于主成分分析映射实例
Manifold Visualization：通过流形学习实现高维可视化
Feature Importances：基于模型性能对特征进行排序
Recursive Feature Elimination：按重要性搜索佳特征子集
Scatter and Joint Plots：通过特征选择直接进行数据可视化
4.2 分类可视化
Class Balance：了解类别分布如何影响模型
Class Prediction Error：展示分类的误差与主要来源
Classification Report：可视化精度、召回率和 F1 分数的表征
ROC/AUC Curves：受试者工作曲线和曲线下面积
Confusion Matrices：类别决策制定的视觉描述
Discrimination Threshold：搜索佳分离二元类别的阈值
4.3 回归可视化
Prediction Error Plots：沿着目标域寻找模型崩溃的原因
Residuals Plot：以残差的方式展示训练和测试数据中的差异
Alpha Selection：展示 alpha 的选择如何影响正则化
4.4 聚类可视化
K-Elbow Plot：使用肘法（elbow method）和多个指标来选择 k
Silhouette Plot：通过可视化轮廓系数值来选择 k
4.5 模型选择可视化
Validation Curve：对模型的单个超参数进行调整
Learning Curve：展示模型是否能从更多的数据或更低的复杂性中受益
4.6 文本可视化
Term Frequency：可视化语料库中词项的频率分布
t-SNE Corpus Visualization：使用随机近邻嵌入来投影文档
