《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)》 課件6.1.2 構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型

構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型運(yùn)輸車輛安全駕駛行為分析——樸素貝葉斯、K近鄰任務(wù)描述樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。對(duì)于運(yùn)輸企業(yè)來說，安全意識(shí)和責(zé)任感的重要性不言而喻，這是是企業(yè)長(zhǎng)期發(fā)展和穩(wěn)定運(yùn)營(yíng)的必要因素。構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型能幫助企業(yè)更好地管理和監(jiān)控運(yùn)輸車輛的安全性能。在本任務(wù)中將使用高斯樸素貝葉斯和多項(xiàng)式分布樸素貝葉斯構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型，探索、分析各車輛的駕駛行為。構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型任務(wù)要求讀取并探索駕駛行為數(shù)據(jù)。處理駕駛行為數(shù)據(jù)。使用sklearn庫構(gòu)建樸素貝葉斯模型。利用Matplotlib庫對(duì)預(yù)測(cè)結(jié)果進(jìn)行可視化展示。使用準(zhǔn)確率、精確率、召回率、F1得分評(píng)估樸素貝葉斯模型。構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型運(yùn)用Python構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型需調(diào)用不同的庫讀取并探索駕駛行為數(shù)據(jù)處理駕駛行為數(shù)據(jù)構(gòu)建高斯樸素貝葉斯模型構(gòu)建多項(xiàng)式分布樸素貝葉斯模型讀取并探索駕駛行為數(shù)據(jù)構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型根據(jù)已知數(shù)據(jù)集，在盡量少的先驗(yàn)假定下進(jìn)行數(shù)據(jù)探索，通過查看數(shù)據(jù)分布規(guī)律、數(shù)據(jù)之間相關(guān)性等有助于確定如何有效地處理數(shù)據(jù)，以便更輕松地找出異常值、數(shù)據(jù)間的關(guān)系等。讀取并探索駕駛行為數(shù)據(jù)的步驟如下。查看駕駛行為數(shù)據(jù)讀取數(shù)據(jù)查看數(shù)據(jù)類型描述性統(tǒng)計(jì)分析分布分析查看駕駛行為數(shù)據(jù)特征名稱特征說明某運(yùn)輸企業(yè)采集到的448輛運(yùn)輸車駕駛行為數(shù)據(jù)的數(shù)據(jù)說明如下。車輛編碼車牌的唯一編碼，已脫敏行駛里程（km）根據(jù)車輛設(shè)備編號(hào)的變化計(jì)算行駛里程，若設(shè)備號(hào)無變化，則當(dāng)前階段里程數(shù)=當(dāng)前樣本里程值－當(dāng)前階段里程起始值；若設(shè)備號(hào)變化，則將當(dāng)前階段里程數(shù)累加至總里程數(shù)中平均速（km/h）根據(jù)傳感器記錄的速度來計(jì)算平均速度，即求速度不為0時(shí)的速度均值速度標(biāo)準(zhǔn)差基于平均速度，計(jì)算每輛車的速度標(biāo)準(zhǔn)差速度差值標(biāo)準(zhǔn)差基于加速度，計(jì)算每輛車的速度差值標(biāo)準(zhǔn)差構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型查看駕駛行為數(shù)據(jù)特征名稱特征說明某運(yùn)輸企業(yè)采集到的448輛運(yùn)輸車駕駛行為數(shù)據(jù)的數(shù)據(jù)說明如下。急加速頻率將急加速次數(shù)除以該車的行駛里程數(shù)，得到相應(yīng)的次數(shù)率急減速頻率將急減速次數(shù)除以該車的行駛里程數(shù)，得到相應(yīng)的次數(shù)率疲勞駕駛頻率將疲勞駕駛次數(shù)除以該車的行駛里程數(shù)，得到相應(yīng)的次數(shù)率熄火滑行頻率將熄火滑行次數(shù)除以該車的行駛里程數(shù)，得到相應(yīng)的次數(shù)率超長(zhǎng)怠速頻率將超長(zhǎng)怠速次數(shù)除以該車的行駛里程數(shù)，得到相應(yīng)的次數(shù)率駕駛行為駕駛行為類型。其中0表示疲憊型，1表示激進(jìn)型，2表示穩(wěn)健型構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型查看駕駛行為數(shù)據(jù)特征名稱特征說明某運(yùn)輸企業(yè)采集到的448輛運(yùn)輸車駕駛行為數(shù)據(jù)的數(shù)據(jù)說明如下。急加速（次）按照行業(yè)經(jīng)驗(yàn)預(yù)設(shè)，若車輛加速度大于急加速閾值（10.8km/h），且前后間隔時(shí)間不超過2s，則將其判定為急加速行為急減速（次）按照行業(yè)經(jīng)驗(yàn)預(yù)設(shè)，若車輛加速度小于急減速閾值（10.8km/h），且前后間隔時(shí)間不超過2s，則將其判定為急減速行為疲勞駕駛（次）根據(jù)道路運(yùn)輸行業(yè)相關(guān)法規(guī)和規(guī)范，駕駛?cè)嗽?4小時(shí)內(nèi)累計(jì)駕駛時(shí)間超過8小時(shí)；連續(xù)駕駛時(shí)間超過4小時(shí)，且每次停車休息時(shí)間少于20分鐘；夜間連續(xù)駕駛2小時(shí)的行為判定為疲勞駕駛行為熄火滑行（次）假定車輛發(fā)動(dòng)機(jī)的點(diǎn)火狀態(tài)為關(guān)，且車輛經(jīng)緯度發(fā)生了位移的情況稱為熄火滑行狀態(tài)超長(zhǎng)怠速（次）若車輛的發(fā)動(dòng)機(jī)轉(zhuǎn)速不為零且車速為零時(shí)，當(dāng)持續(xù)的時(shí)間超過設(shè)定的閾值（60s）后，可將其視為超長(zhǎng)怠速行為構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型處理駕駛行為數(shù)據(jù)異常值檢測(cè)異常值處理疲勞駕駛異常值檢測(cè)熄火滑行異常值檢測(cè)超長(zhǎng)怠速異常值檢測(cè)使用Matplotlib庫的boxplot函數(shù)繪制箱線圖使用箱線圖識(shí)別異常值的方式剔除掉駕駛行為數(shù)據(jù)中的異常數(shù)據(jù)構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型處理駕駛行為數(shù)據(jù)異常值上四分位數(shù)下四分位數(shù)上邊界下邊界中位數(shù)構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型構(gòu)建高斯樸素貝葉斯模型構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型構(gòu)建高斯樸素貝葉斯模型主要通過以下6個(gè)步驟實(shí)現(xiàn)。使用StandardScaler函數(shù)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化使用train_test_split類將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集，用于訓(xùn)練模型以及檢驗(yàn)?zāi)Ｐ汀２鸱钟?xùn)練集和測(cè)試集根據(jù)車輛駕駛行為數(shù)據(jù)將駕駛行為分為3類，分別為“疲憊型”“激進(jìn)型”“穩(wěn)健型”，對(duì)應(yīng)的標(biāo)簽集為“0”“1”“2”。使用GaussianNB類構(gòu)建高斯樸素貝葉斯模型。構(gòu)建模型構(gòu)建高斯樸素貝葉斯模型構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型在對(duì)高斯樸素貝葉斯的預(yù)測(cè)結(jié)果進(jìn)行可視化之前，需要對(duì)數(shù)據(jù)進(jìn)行PCA降維。此處，選擇將數(shù)據(jù)降為二維數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行PCA降維在對(duì)數(shù)據(jù)進(jìn)行PCA降維后，使用scatter函數(shù)對(duì)預(yù)測(cè)結(jié)果進(jìn)行可視化。對(duì)預(yù)測(cè)結(jié)果進(jìn)行可視化為了評(píng)估高斯樸素貝葉斯模型的分類效果，需要分別使用accuracy_score、recall_score、f1_score、precision_score類計(jì)算準(zhǔn)確率、精確率、召回率以及F1得分。評(píng)估高斯樸素貝葉斯模型對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行可視化構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型模型分類效果較好！構(gòu)建多項(xiàng)式分布樸素貝葉斯模型構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型使用MinMaxScaler類對(duì)數(shù)據(jù)進(jìn)行最大最小標(biāo)準(zhǔn)化處理，以保證輸入多項(xiàng)式分布樸素貝葉斯的特征矩陣中不帶有負(fù)數(shù)。最大最小標(biāo)準(zhǔn)化使用MultinomialNB類構(gòu)建多項(xiàng)式分布樸素貝葉斯模型。構(gòu)建模型使用train_test_split類將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集，用于訓(xùn)練模型以及檢驗(yàn)?zāi)Ｐ汀２鸱钟?xùn)練集和測(cè)試集構(gòu)建多項(xiàng)式分布樸素貝葉斯模型主要通過以下6個(gè)步驟實(shí)現(xiàn)。構(gòu)建多項(xiàng)式分布樸素貝葉斯模型構(gòu)建運(yùn)輸車輛安全駕駛行為分析模型在對(duì)多項(xiàng)式分布樸素貝葉斯的預(yù)測(cè)結(jié)果進(jìn)行可視化之前，需要對(duì)數(shù)據(jù)進(jìn)行PCA降維。此處，選擇將數(shù)據(jù)降為二維數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行PCA降維在對(duì)數(shù)據(jù)進(jìn)行PCA降維后，使用scatter函數(shù)對(duì)預(yù)測(cè)結(jié)果進(jìn)行可視化。對(duì)預(yù)測(cè)結(jié)果進(jìn)行可視化為了評(píng)估多項(xiàng)式分布樸素貝葉斯模型的分類效果，需要分別使用accuracy_score、recall_score、f1_score、precision_score類計(jì)算準(zhǔn)確率