（更新：Posted最终结果作为单独的答案）
我开始尝试了解如何使用scikit模型进行培训。我已经试验了虹膜，MNIST等众所周知的数据集-它们都是结构良好的数据，随时可以使用。这是我第一次尝试根据自己的原始数据构建模型，结果却不尽人意。
我选择使用的数据是过去3年的NHSTA's crash data。
这是数据的快照，可让您了解字段，而不必下载数据。
我的第一个实验很简单-尝试建立一个给出“许可证状态代码”和“年龄”的模型，并尝试预测性别（男或女）。
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import learning_curve
from sklearn.model_selection import ShuffleSplit
import tensorflow.contrib.learn as skflow
from tensorflow.contrib.learn.python.learn.estimators import run_config
from sklearn.svm import SVC
import pickle, seaborn
def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
#http://scikit-learn.org/stable/auto_examples/model_selection/plot_learning_curve.html
plt.figure()
plt.title(title)
if ylim is not None:
plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
train_sizes, train_scores, test_scores = learning_curve(
estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
plt.grid()
plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
train_scores_mean + train_scores_std, alpha=0.1,
color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
label="Cross-validation score")
plt.legend(loc="best")
plt.show()
#MAIN
crashes = pd.read_csv("crashes.csv", nrows=100000)
# drop useless cols
crashes.drop(["Year","Case Individual ID", "Case Vehicle ID", "Transported
By", "Injury Location", "Role Type"],axis=1, inplace=True)
crashes = crashes [pd.notnull(crashes['Age'])]
crashes = crashes[crashes.Age >= 10 ] # There are ages < 10 - likely junk data. I don't think they drive
# lets drop rows that are empty
crashes = crashes [pd.notnull(crashes['License State Code'])]
crashes = crashes [pd.notnull(crashes['Injury Severity'])]
crashes = crashes [pd.notnull(crashes['Safety Equipment'])]
crashes = crashes [pd.notnull(crashes['Sex'])]
# converts text fields to numerical values
le = LabelEncoder()
crashes = crashes[crashes.columns[:]].apply(le.fit_transform)
crashes = crashes._get_numeric_data()
# lets plot a heat map to show correlation
corr = crashes.corr()
ax = seaborn.heatmap (corr, xticklabels=corr.columns.values,
yticklabels=corr.columns.values, annot=True)
plt.setp( ax.xaxis.get_majorticklabels(), rotation=45 )
plt.setp( ax.yaxis.get_majorticklabels(), rotation=-45 )
plt.show()
crashes_train, crashes_test = train_test_split(crashes, test_size = 0.2)
Y_train = crashes_train['Sex']
X_train = crashes_train[[ 'Age', 'License State Code']]
Y_test = crashes_test['Sex']
X_test = crashes_test[[ 'Age', 'License State Code']]
names_train = crashes_train.columns.values
print "train size ",len (X_train)
print "test size",len (X_test)
#
# cls = RandomForestClassifier(verbose = True)
#
cls = MLPClassifier(hidden_layer_sizes=(10,10,10), max_iter=500, alpha=1e-4,
solver='sgd', verbose=10, tol=1e-4, random_state=1,
learning_rate_init=0.01)
#cls = tf.contrib.learn.DNNClassifier(feature_columns=feats,
# hidden_units=[50, 50, 50],
# n_classes=3)
#
#
#cls = SVC(verbose = True)
print "Fitting..."
cls.fit(X_train, Y_train)
plot_learning_curve(cls,"Crash Learning", X_train, Y_train)
print("Training set score: %f" % cls.score(X_train, Y_train))
print("Test set score: %f" % cls.score(X_test, Y_test))
我尝试了多种模型（从RandomForest，到SVC到MLP等）-它们都给出了大约0.56的训练得分和0.6倍的损失
最后，这是在当前配置中为MLP生成的图：
这是当我切换到RandomForest时的图。
看起来RandomForest中的分数下降了，但总体而言，其结局类似于MLP。我在做错什么，如何改进这种方法？谢谢
编辑：基于以下两个答案，我对所有列之间的相关性做了一个热图（在删除了明显无用的列之后）-那很糟糕，但这是正确的方法吗？我也可以进行PCA，但是如果基本场间相关性太差，是否表明该数据集在很大程度上无法用于预测？
最佳答案
我的第一个实验很简单-尝试建立一个给定的模型
尝试使用“许可州代码”和“年龄”来预测性别（男或女）。
好吧，这不是那么简单。您不能简单地获取任何数据并尝试进行预测。数据至少需要关联。
要做好的几件事：
绘制数据。绘制这三个变量（年龄与性别，许可证状态代码与性别），看它们是否具有一定的相关性。
计算变量之间的相关性，例如Person's Correlation Coefficient。
使用您拥有的所有功能以及RandomForest / DecisionTree分类器，它们具有名为feature_importances_的属性。此属性告诉您数据集中哪些功能最重要（当然，取决于模型）
功能的重要性（越高，功能越重要）。
阅读有关MLP和分类器一般工作原理的更多信息。
分类算法仅将输入数据映射到类别。但是，如果您的输入和输出之间完全没有关系，则此任务不可行。特征选择是机器学习中非常重要的领域。从wikipedia：
在机器学习和统计中，特征选择（也称为变量选择，属性选择或变量子集选择）是选择用于模型构建的相关特征子集（变量，预测变量）的过程。