背景图片由杰洛特
这些天来，大多数公司都在向“ C itizen 数据科学家 ”的概念迈进，向主题专家(SME)提供工具来创建他们自己的机器学习模型。这种方法的优势在于，它提供了对结果的有意义的解释，并且在数据科学家和 SME 之间的转换中不会丢失任何东西。
虽然一些公民数据科学家接受了 Python 和 R 的培训来开发模型，但这些语言需要某种程度的编码，有些人可能不太适应。像 JMP、Knime 和 Alteryx 这样的数据建模平台提供了编程的替代方案，并帮助您通过使用它们内置的功能来开发机器学习模型。在这篇文章中，让我们讨论使用 Alteryx 建模。
这里我们将使用的方法是' SEMMA '方法。代表样本*，探索，修改，模型，以及评估。这是由最大的统计和商业智能软件生产商之一的 SAS 研究所开发的一系列步骤。正如我以前的文章一样，我将使用波士顿房产 2019 数据集用 Alteryx 建模。*
该过程从数据采样开始，即选择合适的数据集进行建模。数据集应该足够大，以包含足够的信息来有效地建模，但也应该足够小，以有效地使用。
在“样本阶段，我们将把数据加载到 Alteryx 中，按照属性类型= 101* (单户住宅)进行过滤，并删除分析不需要的列(如姓名、地址和与单户住宅无关的行)。*
使用 Alteryx 的示例数据。使用 Alteryx 工具-输入数据，过滤和选择
使用输入数据工具，我将把 excel 数据集导入 Alteryx。接下来使用过滤器工具将对只包含 PTYPE = 101 的行进行排序，如下所示。
*
**
选择数据和过滤器属性类型 101*
接下来，选择分析所需的行。(删除 ST_Name、Owner 等字段)
选择工具:取消选择分析不需要的列。
Alteryx 允许你创建“容器”,在这里你可以将一个函数的所有模块组合在一起，如上图所示。我创建了一个名为“查找缺少值的列”的容器来完成这个任务。我已经多次重复使用这个容器来检查是否所有缺失的值都被输入了
缺少值的列(容器的输出)
这一阶段包括通过探索变量之间预期和未预期的关系来理解数据，并在数据可视化的帮助下发现任何异常。
在此阶段，我们将估算所有缺失的数据，为建模做准备。在最后一步中，我们确定了 7 个缺少值的列。在这一步，我们将估算这些列。
插补策略:
a) Land_SF:这是一个连续变量，我将用列的平均值来估算
b) YR_REMOD:这是房屋被改造的年份，如果这是空的，我们将替换为建造年份。
c) STRUCTURE_CLASS:这是分类变量。我们将用列的模式替换它。
d) R_BTH_STYLE2 和 R_BTH_STYLE3:我们将计算 total_bath(全浴池和半浴池的总数)参数。如果总浴池小于“2”，我将用“不适用”来估算 STYLE2。同样，如果总数小于“3”，STYLE3 将为“不适用”。
e) R_KITCH_STYLE2 和 R_KITCH_STYLE3:与浴室类似，如果厨房的数量少于 2 或 3，我们将用 N/A '来估算这些值。
所有这些都可以通过使用公式列轻松完成。
1)用平均值估算 LAND_SF。2)YR _ REMOD = YR _ build，STRUCTURE_CLASS 用 Mode 估算。3)估算浴室风格和厨房风格。
修改容器
在这一步中，我们将
- 转换数据/创建新属性:我们将为我们的分析创建几个新变量:
a.年龄:计算房子的年龄(当前年份-建造年份)
b.YR_Since_Remod:当前年度— YR_REMOD)
c.LogAV_Total =对数转换目标变量
添加分析所需的新变量。
2。属性编码:
我们将检查所有变量，以确保数据类型是正确的，删除原始变量，如 YR_REMOD，YR _ BUILT(使用选择工具),因为我们已经计算了新的变量
3。将数据划分为训练集和验证集
***模型:*在模型阶段，重点是对准备好的变量应用各种建模(数据挖掘)技术，以创建可能提供期望结果的模型。
我们将在训练数据集上拟合 3 种不同的模型:决策树、线性回归和随机森林模型，并使用验证集来验证模型。
模型步骤
下图显示了交叉验证和评分块的设置。在交叉验证中，您必须选择折叠数和种子。分数块用于选择预测变量是否经过对数变换。
**
Alteryx 中的交叉验证和评分块
A)决策树模型
决策树容器，
我们将在训练数据上拟合一个决策树，然后在两个训练上使用交叉验证来比较“平均绝对误差”。为了适应决策树模型，我们将使用决策树块来选择目标变量和预测变量
决策树配置
**
训练集和验证集的交叉验证和%误差。
交叉验证结果表明 Avg_MAE(平均绝对误差)具有可比性，因此该模型是有效的。决策树模型后添加的浏览有更多的信息和图形。
b)线性回归
第一步是选择目标变量和预测变量。
线性回归配置
一旦您运行线性回归模型，您将获得如下所示的结果:使用浏览工具，您可以获得各种其他图表，我在这里只显示了其中的一个。
线性回归结果。
一旦我们有了线性回归模型，我们将对它进行评分，以计算训练和验证误差，如下所示。
来自线性回归模型的训练和验证数据集分数
c)随机森林
随机森林区块
随机森林建模的第一步是从工具配置中选择目标变量和预测变量。下一步是选择树的数量。我选择了“100 棵树”。如果不确定树的数量，可以添加多个随机森林块，测试不同的树深度，然后选择平均绝对误差最小的树深度。
随机森林配置
随机森林模型的结果
一旦我们有了最终的随机森林模型，我们将交叉验证训练和验证数据集的结果，并计算百分比误差。结果表明，训练集和验证集具有相似的平均绝对误差。该模型输出许多其他信息，这些信息可以用来判断该模型是否有效。
**
训练集和验证集的平均误差和%误差。
在这一步中，我们将使用 Alteryx 模型比较工具来比较不同的模型。我们将比较培训和验证模型的“MAE ”,我们还将查看预测与实际图表。
培训模式的模式比较
验证数据的模型比较
*
**
训练和验证数据的预测与实际。*
从图表中我们可以看出，随机森林模型的平均绝对误差最小，其次是线性回归模型。
此外，从交叉验证结果中，我们可以看到，训练和验证测试的平均绝对误差是相似的，因此不存在过拟合，该模型可用于预测。
Alteryx 为您提供了一种非常快速和强大的方法来准备数据，以进行分析和测试机器学习模型。根据数据大小，交叉验证可能需要更长的时间来执行。
为了加快 Alteryx 中的建模过程，一旦将数据分割并保存到训练集和验证集中，就要在不同的工作空间中运行每个模型。
你可以从 Alteryx 官方网站的 学习指南 以及大量可用的教程和在线帮助论坛中了解更多关于 Alteryx 建模的知识。你可以在 GITHUB 上找到上面例子的代码。