多层感知机（MLP）解决二分类任务

目标：

分类任务： 开发一个神经网络，预测一氧化碳 (CO) 浓度是否超过某一阈值（CO(GT) 值的平均值）。这项任务涉及二元分类，即您的模型学会将实例分为两类：高于或低于阈值。阈值。要确定阈值，您必须首先计算CO(GT) 的平均值，其中不包括未知数据（缺失值）。然后，使用该阈值来预测网络预测的值是高于还是低于该阈值。但是您的网络应该能够处理缺失值。

原始表部分数据截图

数据处理

1. 根据原始表输出时间序列图，以日期为横坐标，value为纵坐标

可以看到当平均浓度=-200时，CO(GT), NMHC(GT), G6H5(GT)等多张图都表现为数值突增或突降，我们可以初步判断平均浓度=-200为异常值。接下来我们再生出数据分布图来进一步验证。

2. 数据分布图

我们可以进一步得出平均浓度=-200为异常值，同时我们还可以使用df.describe() 方法可以生成数据框架的描述性统计信息，从而帮助分析数据是否异常。

补充一下数据分布图的作用（来自伟大的G老师）：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 生成示例数据
np.random.seed(0)
data = np.random.normal(loc=0, scale=1, size=1000)
df = pd.DataFrame(data, columns=['Value'])

# 直方图
plt.figure(figsize=(10, 5))
plt.hist(df['Value'], bins=30, edgecolor='k', alpha=0.7)
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

# 密度图
plt.figure(figsize=(10, 5))
sns.kdeplot(df['Value'], shade=True)
plt.title('Density Plot')
plt.xlabel('Value')
plt.ylabel('Density')
plt.show()

# 箱线图
plt.figure(figsize=(10, 5))
sns.boxplot(df['Value'])
plt.title('Box Plot')
plt.xlabel('Value')
plt.show()

# 小提琴图
plt.figure(figsize=(10, 5))
sns.violinplot(df['Value'])
plt.title('Violin Plot')
plt.xlabel('Value')
plt.show()

3. 处理异常值

我们通过前面两步已经找到了异常值（气体浓度为-200），接下来我们进行处理，有几种常见的处理方法，比如直接删除，数据替换（使用中位数：中位数受异常值的影响较小，是一个稳健的统计量；插值：对于时间序列数据，可以使用前后相邻值的均值或插值法替换异常值），标记异常等。

本文使用的是插值，原因如上对于时间序列数据，可以使用前后相邻值的均值或插值法替换异常值。看一下处理异常值后的时间序列图：

df_linear_interpolation = 
df[columns_to_plot].interpolate(method='linear', inplace=False)

这里解释一下插值方法的选取： 首先本文选取的是线性插值的方法。如图可知，本次数据呈线性关系，并且缺失值附近有效值较多，因此采用线性的方式处理，简单效率高。那么如何分析选用哪种插值方法呢？

1. 分析数据特性：

• 数据是线性（linear）的还是非线性的（spline）？
• 数据的变化趋势是平滑的还是有较大波动（nearest）？
• 数据是时间序列数据吗（time）？

2. 尝试不同方法：

• 可以尝试多种插值方法，并比较其结果。
• 例如，使用 linear、spline、polynomial 等方法进行插值，并绘制插值前后的数据曲线。

3. 评估插值效果：

• 检查插值后的数据是否符合预期：插值后的曲线看起来合理且平滑，且不会有明显的异常点或过拟合情况，说明插值结果符合预期。
• 计算插值前后的误差（如均方误差，RMSE）来评估插值方法的效果。
• 数据是否保持一致，如果是时间序列，检查插值后的时间点和值是否合理。

二分类任务

1. 计算阈值：题目里设定阈值为CO(GT) 的平均值，将数据分类为平均值以上及平均值以下

threshold = df_linear_interpolation['CO(GT)'].mean()
df_linear_interpolation['CO_Target'] = (df_linear_interpolation['CO(GT)'] > threshold).astype(int)

2. 输出相关矩阵：用于表示数据集中各特征（变量）之间相关关系的矩阵

correlation_matrix = df_linear_interpolation[columns_to_plot].corr()

为什么要分析相关性：

首先相关矩阵展示了数据集中每一对特征之间的相关性。这对于理解特征之间的线性关系非常有用。相关系数的值在-1到1之间：

• 1：表示完全正相关
• 0：表示无相关性
• -1：表示完全负相关

1. 特征选择

• 在进行特征选择时，相关矩阵可以帮助我们识别高度相关的特征。如果两个特征高度相关（相关系数接近1或-1），可能只需要保留一个特征，从而减少特征的冗余性。

2. 检测多重共线性

• 多重共线性是指在多元回归模型中，一个特征可以被其他特征线性预测。高相关性的特征组合可能导致多重共线性问题，从而影响模型的稳定性和解释性。相关矩阵可以帮助识别这种问题。

3. 数据预处理

1. 分析数据相关性：在数据预处理阶段，了解特征之间的相关性有助于做出数据转换、标准化、归一化等决策。
2. 根据热图选取与CO(GT)表现相关性较高的气体，红色颜色越深相关性越高

3. 对数据进行标准化处理
   标准化特征是机器学习和数据分析中常用的预处理步骤。 标准化的作用是将不同特征缩放到相同的尺度上，通常是均值为0，标准差为1。我们可以看到上图为标准化之前，不同气体的数据差（比如2004-03-10，PT08.S1(CO)和C6H6（GT））还是很大的。而这种数据差异较大可能会造成模型更倾向于差异大的数据，导致训练结果准确度低，展开来讲就是以下几点：

• 模型收敛速度慢： 较大尺度的特征会主导梯度更新，导致在这些方向上步长过大，而在小尺度的特征方向上步长过小。这种不一致会使优化过程变得缓慢，模型需要更多的迭代才能收敛。
• 优化问题：未标准化的数据可能会导致损失函数的形状不对称，形成一个拉长的椭圆形等高线图。这种情况下，梯度下降法需要在较多方向上进行调整，增加了优化难度。
• 权重更新不平衡：神经网络的权重更新依赖于输入特征的值。如果特征的尺度差异较大，模型会倾向于更多地关注数值较大的特征，而忽视数值较小的特征，导致不平衡的权重更新和次优的模型性能。
• 模型稳定性问题：数据的尺度差异会导致模型输出的激活值范围差异过大，特别是在深度神经网络中，这会导致梯度消失或梯度爆炸问题，从而影响模型训练的稳定性。
• 特征贡献不平衡：当特征值差异较大时，特征的贡献会不均衡。较大数值的特征可能在模型中占据主导地位，而较小数值的特征则可能被忽视。 这会影响模型的整体表现，特别是当每个特征对预测结果都有重要贡献时。

4. 划分数据集，训练模型

划分训练集、验证集、测试集：需要注意测试集只有在最后预测的时候才用，模型训练阶段只用训练集和验证集。

本文将训练集、验证集、测试集按照7:2:1的比例划分，这个比例是比较常见的并不是硬性要求。我们可以根据数据集的大小来调整，比如数据集较大的时候，适量增加训练集比例，提高模型学习能力；数据集较小的时候，适量增加验证集，更好的评估模型的性能。

可以看我们本次训练的表现还是不错的，训练集和验证集的准确度重合较高。且根据混淆矩阵计算所得的准确度和精确度都较高。

总结

我从以下几点分析本次训练结果较好的原因：

1. 对缺失或异常数据进行插值处理
2. 选择相关性较高的数据进行训练（根据相关性矩阵画热图）
3. 对数据进行标准化处理

• 使得模型收敛更快
• 减少大差异数据导致模型忽略小差异数据，使得消失或爆炸
• 提高模型的泛化能力

4. 将数据集划分为训练集、验证集和测试集。验证集的作用：

• 调优模型超参数：验证集用于调整和选择模型的超参数（例如学习率、正则化参数、树的深度等）。通过在验证集上评估模型，可以找到最优的超参数组合，从而提升模型的性能和泛化能力。如果没有验证集，直接使用测试集进行超参数调优，会导致测试集的信息泄露，无法真正评估模型的泛化性能。
• 避免过拟合
• 模型评估：在训练集上，通过验证集评估

5. 合适的训练周期（epoch），也是需要根据验证集的表现来反应

• 训练损失：通常会随着 epoch 数量的增加而减少。
• 验证损失：在一开始会随着 epoch 数量的增加而减少，但在过多的 epoch 后可能会开始增加，这表明模型开始过拟合。