← 返回 Day 112 正文

Day 112 · 练习与清单

Day 112 — 练习题清单

完成以下练习以巩固今日学习内容。建议先完成基础题，再挑战进阶题。

练习 1：交叉验证实践（基础）

目标： 用交叉验证比较不同模型的性能

要求： 1. 使用 sklearn.datasets.load_wine() 加载红酒数据集 2. 对以下 3 个模型进行 5 折交叉验证： - Logistic Regression（需要先标准化） - Random Forest（不需要标准化） - KNN（需要先标准化） 3. 使用 accuracy 和 f1_macro 两个指标评估 4. 比较哪个模型最稳定（标准差最小）

提示： - 使用 Pipeline 将标准化和模型串联 - 使用 cross_val_score 的 scoring 参数切换指标 - 注意 KNN 对特征缩放敏感

练习 2：超参数搜索（基础）

目标： 使用 GridSearchCV 为 SVM 调参

要求： 1. 使用乳腺癌数据集（load_breast_cancer） 2. 构建 Pipeline：StandardScaler → SVC 3. 搜索以下参数组合： - C: [0.001, 0.01, 0.1, 1, 10, 100] - kernel: ['linear', 'rbf', 'poly'] - gamma: ['scale', 'auto'] 4. 使用 5 折交叉验证，评估指标为 roc_auc 5. 输出最佳参数和最佳得分

扩展： - 在搜索结果中找出 Top 3 的参数组合 - 计算总共训练了多少次模型

练习 3：Pipeline + 特征工程（进阶）

目标： 构建包含特征工程的完整 Pipeline

要求： 1. 使用合成数据 make_classification(n_samples=1000, n_features=20, n_informative=5, n_redundant=5) 2. 构建以下 Pipeline： - StandardScaler → PCA(保留95%方差) → SelectKBest(k=10) → LogisticRegression 3. 搜索 PCA 的 n_components（[5, 10, 15, 20, 'mle']）和 LogisticRegression 的 C（[0.01, 0.1, 1, 10]） 4. 对比以下三种 Pipeline 的性能： - 无特征工程：Scaler → LR - 有 PCA：Scaler → PCA → LR - 有 PCA + 特征选择：Scaler → PCA → SelectKBest → LR

思考： 特征工程对模型性能有什么影响？

练习 4：模型持久化与部署（进阶）

目标： 保存模型并在新数据上使用

要求： 1. 使用练习 3 中最佳的 Pipeline 2. 用全部训练数据重新训练（pipeline.fit(X_train, y_train)） 3. 保存模型到文件 model_practice.pkl 4. 编写一个函数 predict_churn(model_path, new_data) 实现： - 加载模型 - 对新数据进行预测 - 返回预测结果和概率 5. 用 5 条新数据测试你的函数

提示： - 使用 joblib.dump 和 joblib.load - 确保新数据的格式与训练数据一致

练习 5：综合挑战 — 客户细分（挑战）

目标： 构建一个完整的分类 Pipeline

要求： 1. 使用 fetch_california_housing() 数据集，将其转换为二分类问题（房价中位数 > 2.5 为正类） 2. 构建包含以下步骤的 Pipeline： - 数值特征：缺失值填充 → 标准化 - 可选特征工程：PCA、多项式特征 - 模型：随机森林 3. 使用 RandomizedSearchCV（n_iter=30）搜索超参数 4. 输出完整的评估报告（混淆矩阵、分类报告、AUC） 5. 保存最终模型

评估标准： - Pipeline 结构清晰 - 代码有适当注释 - 评估指标全面 - 模型保存可正常加载

📝 完成检查

完成练习后，检查以下要点：

💡 进阶思考

  1. 如果你的数据集有 100 万个样本，网格搜索会很慢。你会怎么优化？
  2. 在什么情况下你会选择 RandomizedSearchCV 而不是 GridSearchCV？
  3. 如何在 Pipeline 中添加自定义的预处理步骤？
  4. 模型保存后，如何在不同的 Python 版本或 scikit-learn 版本中加载？

完成后可以对比 code/ 目录下的参考代码，看看是否有更好的实现方式。