耳闻目睹了机器学习的诸般神奇，有没有冲动打算自己尝试一下？本文我们通过一个贷款风险评估的案例，用最通俗的语言向你介绍机器学习的基础招式，一步步帮助你用Python完成自己的第一个机器学习项目。试过之后你会发现，机器学习真的不难。
任务
祝贺你，成功进入了一家金融公司实习。
第一天上班，你还处在兴奋中。这时主管把你叫过去，给你看了一个文件。
文件内容是这个样子的：
主管说这是公司宝贵的数据资产。嘱咐你认真阅读，并且从数字中找出规律，以便做出明智的贷款决策。
每一行数据，都代表了之前的一次贷款信息。你琢磨了很久，终于弄明白了每一列究竟代表什么意思：
- grade：贷款级别
-
sub_grade: 贷款细分级别 -
short_emp：一年以内短期雇佣 -
emp_length_num：受雇年限 -
home_ownership：居住状态（自有，按揭，租住） - dti：贷款占收入比例
- purpose：贷款用途
- term：贷款周期
-
last_delinq_none：贷款申请人是否有不良记录 -
last_major_derog_none：贷款申请人是否有还款逾期90天以上记录 -
revol_util：透支额度占信用比例 -
total_rec_late_fee：逾期罚款总额 -
safe_loans：贷款是否安全
最后一列，记录了这笔贷款是否按期收回。拿着以前的这些宝贵经验教训，主管希望你能够总结出贷款是否安全的规律。在面对新的贷款申请时，从容和正确应对。
主管让你找的这种规律，可以用决策树来表达。
决策
我们来说说什么是决策树。
决策树长得就像这个样子：
做决策的时候，你需要从最上面的节点出发。在每一个分支上，都有一个判断条件。满足条件，往左走；不满足，向右走。一旦走到了树的边缘，一项决策就完成了。
例如你走在街上，遇见邻居老张。你热情地打招呼：
“老张，吃了吗？”
好了，这里就是个分支。老张的回答，将决定你的决策走向，即后面你将说什么。
第一种情况。
老张：吃过了。
你：要不来我家再吃点儿？
第二种情况。
老张：还没吃。
你：那赶紧回家吃去吧。再见！
……
具体到贷款这个实例，你需要依次分析申请人的各项指标，然后判定这个贷款申请是否安全，以做出是否贷款给他的决策。把这个流程写下来，就是一棵决策树。
作为一名金融界新兵，你原本也是抱着积极开放的心态，希望多尝试一下的。但是当你把数据表下拉到最后一行的时候，你发现记录居然有46509条！
你估算了一下自己的阅读速度、耐心和认知负荷能力，觉得这个任务属于Mission Impossible（不可能完成），于是开始默默地收拾东西，打算找主管道个别，辞职不干了。
且慢，你不必如此沮丧。因为科技的发展，已经把一项黑魔法放在了你的手边，随时供你取用。它的名字，叫做机器学习。
学习
什么叫机器学习？
从前，人是“操作”计算机的。一项任务如何完成，人心里是完全有数的。人把一条条指令下达给电脑，电脑负责傻呵呵地干完，收工。
后来人们发现，对有些任务，人根本就不知道该怎么办。
前些日子的新闻里，你知道Alpha Go和柯洁下围棋。柯洁不仅输了棋，还哭了。
可是制造Alpha Go的那帮人，当真知道怎样下棋，才能赢过柯洁吗？你就是让他们放弃体育家精神，攒鸡毛凑掸子一起上，跟柯洁下棋……你估计哭的是谁？
一帮连自己下棋，都下不赢柯洁的人，又是如何制作出电脑软件，战胜了人类围棋界的“最强大脑”呢？
答案正是机器学习。
你自己都不知道如何完成的任务，自然也不可能告诉机器“第一步这么干，第二步那么办”，或者“如果出现A情况，打开第一个锦囊；如果出现B情况，打开第二个锦囊”。
机器学习的关键，不在于人类的经验和智慧，而在于数据。
本文我们接触到的，是最为基础的监督式学习(supervised learning)。监督式学习利用的数据，是机器最喜欢的。这些数据的特点，是都被打了标记。
主管给你的这个贷款记录数据集，就是打了标记的。针对每个贷款案例，后面都有“是否安全”的标记。1代表了安全，-1代表了不安全。
机器看到一条数据，又看到了数据上的标记，于是有了一个假设。
然后你再让它看一条数据，它就会强化或者修改原先的假设。
这就是学习的过程：建立假设——收到反馈——修正假设。在这个过程中，机器通过迭代，不断刷新自己的认知。
这让我想起了经典相声段子“蛤蟆鼓”里面的对话片段。
甲：那我问问你，蛤蟆你看见过吧？
乙：谁没见过蛤蟆呀。
甲：你说为什么它那么小的动物，叫唤出来的声音会那么大呢？
乙：那是因为它嘴大肚儿大脖子粗，叫唤出来的声音必然大。万物都是一个理。
甲：我家的字纸篓子也是嘴大脖子粗，为什么它不叫唤哪？
乙：字纸篓是死物，那是竹子编的，不但不叫，连响都响不了。
甲：吹的笙也是竹子的，怎么响呢？
乙：虽然竹子编的，因为它有窟窿有眼儿，有眼儿的就响。
甲：我家筛米的筛子尽是窟窿眼儿，怎么吹不响？
这里相声演员乙，就一直试图建立可以推广的假设。可惜，甲总是用新的例证摧毁乙的三观。
在四处碰壁后，可怜的机器跌跌撞撞地成长。看了许许多多的数据后，电脑逐渐有了自己对一些事情判断的想法。我们把这种想法叫做模型。
之后，你就可以用模型去辅助自己做出明智的判断了。
下面我们开始动手实践。用Python做个决策树出来，辅助我们判断贷款风险。
准备
使用Python和相关软件包，你需要先安装Anaconda套装。详细的流程步骤请参考《 如何用Python做词云 》一文。
主管给你展示的这份贷款数据文件，请从 这里 下载。
文件的扩展名是csv，你可以用Excel打开，看看是否下载正确。
如果一切正常，请把它移动到咱们的工作目录demo里面。
到你的系统“终端”(macOS, Linux)或者“命令提示符”(Windows)下，进入我们的工作目录demo，执行以下命令。
pip install -U PIL
运行环境配置完毕。
在终端或者命令提示符下键入：
jupyter notebook
Jupyter Notebook已经正确运行。下面我们就可以正式编写代码了。
代码
首先，我们新建一个Python 2笔记本，起名叫做loans-tree。
为了让Python能够高效率处理表格数据，我们使用一个非常优秀的数据处理框架Pandas。
import pandas as pd
然后我们把loans.csv里面的内容全部读取出来，存入到一个叫做df的变量里面。
df = pd.read_csv('loans.csv')
我们看看df这个数据框的前几行，以确认数据读取无误。
df.head()
因为表格列数较多，屏幕上显示不完整，我们向右拖动表格，看表格最右边几列是否也正确读取。
经验证，数据所有列都已读入。
统计一下总行数，看是不是所有行也都完整读取进来了。
df.shape
运行结果如下：
(46508, 13)
行列数量都正确，数据读取无误。
你应该还记得吧，每一条数据的最后一列safe_loans是个标记，告诉我们之前发放的这笔贷款是否安全。我们把这种标记叫做目标(target)，把前面的所有列叫做“特征”(features)。这些术语你现在记不住没关系，因为以后会反复遇到。自然就会强化记忆。
下面我们就分别把特征和目标提取出来。依照机器学习领域的习惯，我们把特征叫做X，目标叫做y。
X = df.drop('safe_loans', axis=1)
y = df.safe_loans
我们看一下特征数据X的形状：
X.shape
运行结果为：
(46508, 12)
除了最后一列，其他行列都在。符合我们的预期。我们再看看“目标”列。
y.shape
执行后显示如下结果：
(46508,)
这里的逗号后面没有数字，指的是只有1列。
我们来看看X的前几列。
X.head()
运行结果为：
注意这里有一个问题。Python下做决策树的时候，每一个特征都应该是数值（整型或者实数）类型的。但是我们一眼就可以看出，grade, sub_grade, home_ownership等列的取值都是类别(categorical)型。所以，必须经过一步转换，把这些类别都映射成为某个数值，才能进行下面的步骤。
那我们就开始映射吧：
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()
运行结果是这样的：
这里，我们使用了LabelEncoder函数，成功地把类别变成了数值。小测验：在grade列下面，B被映射成了什么数字？
请对比两个表格，思考10秒钟。
答案是1。你答对了吗？
下面我们需要做的事情，是把数据分成两部分，分别叫做训练集和测试集。
为什么这么折腾？
因为有道理。
想想看，如果期末考试之前，老师给你一套试题和答案，你把它背了下来。然后考试的时候，只是从那套试题里面抽取一部分考。你凭借超人的记忆力获得了100分。请问你学会了这门课的知识了吗？不知道如果给你新的题目，你会不会做呢？答案还是不知道。
所以考试题目需要和复习题目有区别。同样的道理，我们用数据生成了决策树，这棵决策树肯定对已见过的数据处理得很完美。可是它能否推广到新的数据上呢？这才是我们真正关心的。就如同在本例中，你的公司关心的，不是以前的贷款该不该贷。而是如何处理今后遇到的新贷款申请。
把数据随机拆分成训练集和测试集，在Python里只需要2条语句就够了。
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)
我们看看训练数据集的形状：
X_train.shape
运行结果如下：
(34881, 12)
测试集呢？
X_test.shape
这是运行结果：
(11627, 12)
至此，一切数据准备工作都已就绪。我们开始呼唤Python中的scikit-learn软件包。决策树的模型，已经集成在内。只需要3条语句，直接调用就可以，非常方便。
from sklearn import tree
clf = tree.DecisionTreeClassifier(max_depth=3)
clf = clf.fit(X_train, y_train)
好了，你要的决策树已经生成完了。
就是这么简单。任性吧？
可是，我怎么知道生成的决策树是个什么样子呢？眼见才为实！
这个……好吧，咱们把决策树画出来吧。注意这一段语句内容较多。以后有机会咱们再详细介绍。此处你把它直接抄进去执行就可以了。
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")
见证奇迹的时刻到了：
你是不是跟我第一次看到决策树的可视化结果一样，惊诧了？
我们其实只让Python生成了一棵简单的决策树（深度仅3层），但是Python已经尽职尽责地帮我们考虑到了各种变量对最终决策结果的影响。
测试
欣喜若狂的你，在悄悄背诵什么？你说想把这棵决策树的判断条件背下来，然后去做贷款风险判断？
省省吧。都什么时代了，还这么喜欢背诵？
以后的决策，电脑可以自动化帮你完成了。
你不信？
我们随便从测试集里面找一条数据出来。让电脑用决策树帮我们判断一下看看。
test_rec = X_test.iloc[1,:]
clf.predict([test_rec])
电脑告诉我们，它调查后风险结果是这样的：
array([1])
之前提到过，1代表这笔贷款是安全的。实际情况如何呢？我们来验证一下。从测试集目标里面取出对应的标记：
y_test.iloc[1]
结果是：
1
经验证，电脑通过决策树对这个新见到的贷款申请风险判断无误。
但是我们不能用孤证来说明问题。下面我们验证一下，根据训练得来的决策树模型，贷款风险类别判断准确率究竟有多高。
from sklearn.metrics import accuracy_score
accuracy_score(y_test, clf.predict(X_test))
虽然测试集有近万条数据，但是电脑立即就算完了：
0.61615205986066912
你可能会有些失望——忙活了半天，怎么才60%多的准确率？刚及格而已嘛。
不要灰心。因为在整个儿的机器学习过程中，你用的都是缺省值，根本就没有来得及做一个重要的工作——优化。
想想看，你买一台新手机，自己还得设置半天，不是吗？面对公司的贷款业务，你用的竟然只是没有优化的缺省模型。可即便这样，准确率也已经超过了及格线。
关于优化的问题，以后有机会咱们详细展开来聊。
你终于摆脱了实习第一天就灰溜溜逃走的厄运。我仿佛看到了一颗未来的华尔街新星正在冉冉升起。
苟富贵，无相忘哦。
讨论
贷款风险判断之外，你觉得决策树还有哪些用武之地？除了本文提到的决策树，你还知道哪几种用于分类的机器学习算法？欢迎留言分享给大家，我们一起交流讨论。
喜欢请点赞。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。
如果你对数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。
