翻译完成 (#4271)

* Delete part 5 - Building a data science portfolio - Machine learning project.md

* Create part 5 - Building a data science portfolio - Machine learning project.md

sources/team_test/part 5 - Building a data science portfolio - Machine learning project.md

@@ -1,38 +1,44 @@
-注解数据
-我们已经在annotate.py中添加了一些功能, 现在我们来看一看数据文件. 我们需要将采集到的数据转换到training dataset来进行机器学习的训练. 这涉及到以下几件事情:
 
-转换所以列数字. 
-填充缺失值. 
-分配 performance_count 和 foreclosure_status. 
-移除出现次数很少的行(performance_count 计数低). 
-我们有几个列是strings类型的, 看起来对于机器学习算法来说并不是很有用. 然而, 他们实际上是分类变量, 其中有很多不同的类别代码, 例如R,S等等. 我们可以把这些类别标签转换为数值:
+### 注解数据
 
+我们已经在annotate.py中添加了一些功能, 现在我们来看一看数据文件. 我们需要将采集到的数据转换到训练数据表来进行机器学习的训练. 这涉及到以下几件事情:
 
+- 转换所以列数字.
+- 填充缺失值.
+- 分配 performance_count 和 foreclosure_status.
+- 移除出现次数很少的行(performance_count 计数低).
+
+我们有几个列是文本类型的, 看起来对于机器学习算法来说并不是很有用. 然而, 他们实际上是分类变量, 其中有很多不同的类别代码, 例如R,S等等. 我们可以把这些类别标签转换为数值:
+
+![](https://github.com/LCTT/wiki-images/blob/master/TranslateProject/ref_img/002.png)
 
 通过这种方法转换的列我们可以应用到机器学习算法中.
 
 还有一些包含日期的列 (first_payment_date 和 origination_date). 我们可以将这些日期放到两个列中:
 
- 在下面的代码中, 我们将转换采集到的数据. 我们将定义一个函数如下:
+![](https://github.com/LCTT/wiki-images/blob/master/TranslateProject/ref_img/003.png)
+在下面的代码中, 我们将转换采集到的数据. 我们将定义一个函数如下:
 
-在采集到的数据中创建foreclosure_status列 . 
-在采集到的数据中创建performance_count列. 
-将下面的string列转换为integer列: 
-channel 
-seller 
-first_time_homebuyer 
-loan_purpose 
-property_type 
-occupancy_status 
-property_state 
-product_type 
-转换first_payment_date 和 origination_date 为两列: 
-通过斜杠分离列. 
-将第一部分分离成月清单. 
-将第二部分分离成年清单. 
-删除这一列. 
-最后, 我们得到 first_payment_month, first_payment_year, origination_month, and origination_year. 
-所有缺失值填充为-1. 
+- 在采集到的数据中创建foreclosure_status列 .
+- 在采集到的数据中创建performance_count列.
+- 将下面的string列转换为integer列:
+    - channel
+    - seller
+    - first_time_homebuyer
+    - loan_purpose
+    - property_type
+    - occupancy_status
+    - property_state
+    - product_type
+- 转换first_payment_date 和 origination_date 为两列:
+    - 通过斜杠分离列.
+    - 将第一部分分离成月清单.
+    - 将第二部分分离成年清单.
+    - 删除这一列.
+    - 最后, 我们得到 first_payment_month, first_payment_year, origination_month, and origination_year.
+- 所有缺失值填充为-1.
+
+```
 def annotate(acquisition, counts):
     acquisition["foreclosure_status"] = acquisition["id"].apply(lambda x: get_performance_summary_value(x, "foreclosure_status", counts))
     acquisition["performance_count"] = acquisition["id"].apply(lambda x: get_performance_summary_value(x, "performance_count", counts))
@@ -57,21 +63,25 @@ def annotate(acquisition, counts):
     acquisition = acquisition.fillna(-1)
     acquisition = acquisition[acquisition["performance_count"] > settings.MINIMUM_TRACKING_QUARTERS]
     return acquisition
+```
+
+### 聚合到一起
 
-聚合到一起
 我们差不多准备就绪了, 我们只需要再在annotate.py添加一点点代码. 在下面代码中, 我们将:
 
-定义一个函数来读取采集的数据. 
-定义一个函数来写入数据到/train.csv 
-如果我们在命令行运行annotate.py来读取更新过的数据文件，它将做如下事情: 
-读取采集到的数据. 
-计算数据性能. 
-注解数据. 
-将注解数据写入到train.csv. 
+- 定义一个函数来读取采集的数据.
+- 定义一个函数来写入数据到/train.csv
+- 如果我们在命令行运行annotate.py来读取更新过的数据文件，它将做如下事情:
+    - 读取采集到的数据.
+    - 计算数据性能.
+    - 注解数据.
+    - 将注解数据写入到train.csv.
+
+```
 def read():
     acquisition = pd.read_csv(os.path.join(settings.PROCESSED_DIR, "Acquisition.txt"), sep="|")
     return acquisition
-
+    
 def write(acquisition):
     acquisition.to_csv(os.path.join(settings.PROCESSED_DIR, "train.csv"), index=False)
 
@@ -80,11 +90,13 @@ if __name__ == "__main__":
     counts = count_performance_rows()
     acquisition = annotate(acquisition, counts)
     write(acquisition)
+```
 
 修改完成以后为了确保annotate.py能够生成train.csv文件. 你可以在这里找到完整的 annotate.py file [here][34].
 
 文件夹结果应该像这样:
 
+```
 loan-prediction
 ├── data
 │   ├── Acquisition_2012Q1.txt
@@ -102,37 +114,45 @@ loan-prediction
 ├── README.md
 ├── requirements.txt
 ├── settings.py
+```
 
-找到标准
-我们已经完成了training dataset的生成, 现在我们需要最后一步, 生成预测. 我们需要找到错误的标准, 以及该如何评估我们的数据. 在这种情况下, 因为有很多的贷款没有收回, 所以根本不可能做到精确的计算.
+### 找到标准
+
+我们已经完成了训练数据表的生成, 现在我们需要最后一步, 生成预测. 我们需要找到错误的标准, 以及该如何评估我们的数据. 在这种情况下, 因为有很多的贷款没有收回, 所以根本不可能做到精确的计算.
 
 我们需要读取数据, 并且计算foreclosure_status列, 我们将得到如下信息:
 
+```
 import pandas as pd
 import settings
 
 train = pd.read_csv(os.path.join(settings.PROCESSED_DIR, "train.csv"))
 train["foreclosure_status"].value_counts()
+```
 
+```
 False    4635982
 True        1585
 Name: foreclosure_status, dtype: int64
+```
 
 因为只有一点点贷款收回, 通过百分比标签来建立的机器学习模型会把每行都设置为Fasle, 所以我们在这里要考虑每个样本的不平衡性,确保我们做出的预测是准确的. 我们不想要这么多假的false, 我们将预计贷款收回但是它并没有收回, 我们预计贷款不会回收但是却回收了. 通过以上两点, Fannie Mae的false太多了, 因此显示他们可能无法收回投资.
 
 所以我们将定义一个百分比，就是模型预测没有收回但是实际上收回了, 这个数除以总的负债回收总数. 这个负债回收百分比模型实际上是“没有的”. 下面看这个图表:
 
-
+![](https://github.com/LCTT/wiki-images/blob/master/TranslateProject/ref_img/004.png)
 
 通过上面的图表, 1个负债预计不会回收, 也确实没有回收. 如果我们将这个数除以总数, 2, 我们将得到false的概率为50%. 我们将使用这个标准, 因此我们可以评估一下模型的性能.
 
-设置机器学习分类器
+### 设置机器学习分类器
+
 我们使用交叉验证预测. 通过交叉验证法, 我们将数据分为3组. 按照下面的方法来做:
 
-Train a model on groups 1 and 2, and use the model to make predictions for group 3. 
-Train a model on groups 1 and 3, and use the model to make predictions for group 2. 
-Train a model on groups 2 and 3, and use the model to make predictions for group 1. 
-将它们分割到不同的组 ,这意味着我们永远不会用相同的数据来为预测训练模型. 这样就避免了 overfitting. 如果我们overfit, 我们将得到很低的false概率, 这使得我们难以改进算法或者应用到现实生活中.
+- Train a model on groups 1 and 2, and use the model to make predictions for group 3.
+- Train a model on groups 1 and 3, and use the model to make predictions for group 2.
+- Train a model on groups 2 and 3, and use the model to make predictions for group 1.
+
+将它们分割到不同的组 ,这意味着我们永远不会用相同的数据来为预测训练模型. 这样就避免了overfitting(过拟合). 如果我们overfit(过拟合), 我们将得到很低的false概率, 这使得我们难以改进算法或者应用到现实生活中.
 
 [Scikit-learn][35] 有一个叫做 [cross_val_predict][36] 他可以帮助我们理解交叉算法.