关键字：机器学习、数据分析、水质分类。
需求背景
《贵阳市湖泊监测数据》来源于贵阳市政府数据开放平台，在下载的2017年湖泊监测数据中，按照《地表水环境质量标准》（GB 3838-2002）对每期湖泊监测数据分为了五类水质，而下载的2016年湖泊监测数据并未进行分类。下面我们将基于2017年的监测数据和分类成果，根据logistic回归算法建立数据模型，对2016年的监测数据自动进行分类。
算法简介
logistic回归算法是统计学习中的经典分类算法，属于对数线性模型。logistic回归的主要思想是：根据现有公式对分类边界线建立回归公式，以此进行分类。logistic回归的假设函数是广义线性函数，损失函数可选用L1范数正则化或L2范数正则化，优化方法可选用梯度下降法或拟牛顿法计算数值解，或者用最小二乘法计算解析解。
数据预处理
-
训练数据集和测试数据集
2017年贵阳市湖泊水质监测数据，包含2个湖泊11个断面，共12期监测数据以及水质分类，有效特征32列，合计132行，前100行作为训练集，其余的作为测试集。
import numpy as np
data = np.loadtxt('./trainset.csv',dtype=float,delimiter=',',skiprows=1)
#划分数据集
train_X = data[:100,2:-1]
train_y = data[:100,-1]
test_X = data[100:,2:-1]
test_y = data[100:,-1]
-
预测数据集
2016年贵阳市湖泊水质监测数据，包含1个湖泊6个断面，共11期监测数据，无水质分类，有效特征32列，合计66行。
predixdata = np.loadtxt('./classset.csv',dtype=float,delimiter=',',skiprows=1)
predix_X = predixdata[:,2:-1]
-
均值化填充
对没有监测数据的记录用该列的平均值手动进行了填充，修正了非数值型的数据。也可以借助sklearn.preprocessing中Imputer工具处理。
from sklearn.preprocessing import Imputer
#缺失值插补
imp = Imputer(missing_values='--', strategy='mean', axis=0)
imp.fit(train_X)
-
主成分分析（PCA）
由于特征列过多，在超过27列后工具报错。在测试前几列的时候，自动划分的效果不是很好，所以暂未处理该项。
from sklearn.decomposition import PCA
#主成分分析
pca=PCA(n_components='mle',svd_solver='full')
pca.fit(train_X)
print(pca.explained_variance_ratio_)
print(pca.n_components_)
-
标准化（Standardization）
由于数据存在噪声值，为避免中心化的影响选用z-score处理。公式为z=(x-μ)/σ。其中x为数值，μ为平均数，σ为标准差。
from sklearn.preprocessing import StandardScaler
#标准化
scaler = StandardScaler()
std_train_X = scaler.fit_transform(train_X)
std_test_X = scaler.transform(test_X)
模型生成
-
选择模型
直接调用sklearn.linear_model的LogisticRegression，multi_class选用multinomial（多分类，不选的话为二分类），solver选用lbfgs（拟牛顿法的一种）。
from sklearn.preprocessing import StandardScaler
#选择模型
lor = LogisticRegression(random_state=0,multi_class='multinomial',solver='lbfgs')
-
训练模型
#训练模型
lor.fit(std_train_X,train_y)
-
自动分类
#自动分类
predict_test_y = lor.predict(predix_X)
模型评价
需要人工将预测数据集的水质分类，再用真值和预测值对比分析。这里是用测试集评价，评价分数如下：
lor.score(std_test_X,test_y)
