企业官网建设流程全解析

第一次接触car-evaluation这个数据集的时候，我差点没把它当回事：不到两千行，所有特征都是low / med / high这种字符串，看起来跟机器学习的“高级感”完全不沾边。但就是这样一个入门级数据集，配合逻辑回归这个老牌模型，反而把分类任务里最重要的一堆概念全带出来了——数据不平衡、特征编码、概率阈值、模型评估指标。这篇博文我就用这个组合完整走一遍，讲讲我的建模思路、踩过的坑，以及一套可以直接照抄的实操代码。不管你是刚学 scikit-learn 的新手，还是想快速找回分类建模手感的老手，这个项目都值得花半小时跑一遍。

1. 先认识数据：car-evaluation 不是一个普通的车辆评估表

1.1 六个属性到底在说什么

car-evaluation来自 UCI 数据库，全称是 Car Evaluation Data Set。它记录了人们对一款车辆的综合评估结果，特征是六个维度的信息：

数据集一共 1728 行，六维特征的取值组合基本被枚举了个遍。换句话说，每一条样本都代表一种“车辆配置画像”，最终标签是这辆车是否值得接受。

新手容易忽略的一个关键点：这些特征没有一个是真正的数值型连续变量。doors里的2、3、4看起来像数字，但它实际是离散类别，5more这种取值直接告诉你不能用数学大小去比较。这决定了后续处理必须走编码路线，不能直接丢给模型。

1.2 类别分布和它带来的第一个坑

先看一眼标签分布：

import pandas as pd df = pd.read_csv("car.data", header=None) df.columns = ["buying", "maint", "doors", "persons", "lug_boot", "safety", "label"] print(df["label"].value_counts())

输出大概是：

unacc 1210 acc 384 good 69 vgood 65

四个类别里，unacc（不可接受）占了 70% 左右，而good和vgood加起来才 8%。如果你直接拿原始四个类别去训练一个多分类逻辑回归，模型会把几乎所有样本都预测成多数类unacc，准确率看着有七成，实际上少数类一个都识别不出来。

这个数据集之所以适合做入门项目，恰恰是因为它的“坑”非常典型：真实业务里的分类问题很少是均匀分布的，多数类偏置、少数类被吞掉是家常便饭。car-evaluation把这个问题用一个小数据集暴露得明明白白。

2. 建模思路：把“四选一”改成“行或不行”

2.1 原始标注的业务含义

四档标签不是简单的有序递进，它们背后对应的是不同的决策场景：

• unacc：这辆车不可接受，直接放弃
• acc：可接受，属于“还行，能凑合”
• good：不错，有吸引力
• vgood：很好，强烈推荐

但在现实里，如果你是一个二手车收购方，或者给客户做购车推荐，真正有意义的判断往往是“这一单要不要做”。把四档压缩成两档，既贴合业务，又能绕开多数类失衡带来的问题。

2.2 二分类标签怎么定义

我试过两种切法：

方案A：unacc视为 0（不推荐），其余acc/good/vgood视为 1（推荐）。

方案B：unacc/acc视为 0，good/vgood视为 1。

表面上看方案B更贴近“好车筛选”，但实际跑下来，正样本只有 134 条（good + vgood），负样本却有 1594 条，逻辑回归几乎学不到什么有效信号。而方案A的正样本是 518 条，负样本 1210 条，比例大约 1 : 2.3，虽然还是偏，但在逻辑回归可接受的范围内。

所以我最后采用方案A：任务定义成“这辆车值不值得推荐”。这也更好向非技术方解释：正类就是“可接受”，负类就是“不可接受”。

3. 逻辑回归在这个数据上是怎么工作的

3.1 sigmoid 和决策边界的一句话解释

逻辑回归的核心不复杂。模型先算一个线性加权和：

z = w1*x1 + w2*x2 + ... + wn*xn + b

然后通过 sigmoid 函数把它压到 0 到 1 之间：

p = 1 / (1 + e^(-z))

这个p就是模型判断样本属于正类的概率。默认情况下，p >= 0.5判成正类，p < 0.5判成负类，0.5就是决策边界。

为什么在这个项目里特别值得提概率？因为当你面对不平衡数据时，默认的 0.5 阈值往往不是最优的。后面实操部分我会演示，通过predict_proba拿到概率后，你可以手动把阈值调到 0.3 或 0.7，配合业务需要换取不同的精确率和召回率。这种灵活度是决策树、SVM 等模型无法直接给你的。

3.2 为什么必须先做特征编码

逻辑回归内部做的是线性加权运算，要求输入是数值。而car-evaluation的六个属性全是字符串，所以必须编码。

这里有两种常见选择：

OrdinalEncoder会给每个类别分配一个整数，比如low=0, med=1, high=2。它的问题是强加了一个并不存在的“等距关系”，把low和high的差距等同于med和high的差距，容易误导模型。

我推荐用OneHotEncoder，把每个取值拆成一个独立的 0/1 维度。比如safety这一列会变成safety_low、safety_med、safety_high三列。这样做的好处是模型不会错误理解类别之间的顺序，坏处是维度会膨胀：六个原始特征，展开后变成4 + 4 + 4 + 3 + 3 + 3 = 21维。

不过 21 维对逻辑回归来说完全小意思，稀疏矩阵存储也毫无压力，所以不用犹豫。

4. 实操全过程：数据加载、编码、训练、评估

4.1 加载数据并确认分布

先把数据读进来，确认列名和分布：

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, confusion_matrix df = pd.read_csv("car.data", header=None) df.columns = ["buying", "maint", "doors", "persons", "lug_boot", "safety", "label"] print(df.shape) print(df["label"].value_counts())

这里有第一个小坑：UCI 的原始文件没有表头，pd.read_csv默认会把第一行当成列名，所以必须传header=None，再手动指定列名。我见过不少同学没写header=None，结果发现数据少了一行，列名变成了第一行数据。

4.2 独热编码与标签二值化

X = df.drop(columns=["label"]) y = (df["label"] != "unacc").astype("int") # 正类=1：acc/good/vgood，负类=0：unacc encoder = OneHotEncoder(handle_unknown="ignore") X_encoded = encoder.fit_transform(X) print(X_encoded.shape) # 输出 (1728, 21)

handle_unknown="ignore"的作用是：如果未来新数据里出现了训练时没见过的类别，编码器不会报错，而是直接置为全 0。数据集本身没有未知取值，但这一行对后续把模型部署到新数据上很重要。

4.3 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split( X_encoded, y, test_size=0.2, random_state=42, stratify=y )

stratify=y值得单独说一下。如果不加这个参数，随机划分可能在测试集里让某个类别的比例失衡。对于本来就偏斜的数据，这会直接导致测试集指标波动很大。加上stratify后，训练集和测试集都会保持约 70/30 的正负比例。

4.4 训练逻辑回归

clf = LogisticRegression(max_iter=1000, C=1.0) clf.fit(X_train, y_train)

max_iter是新手最容易报错的地方。低版本或默认参数下，如果迭代次数不够，你会看到ConvergenceWarning。这里直接设成 1000，避免训练过程还没收敛就停下来。C=1.0是默认的正则化强度，在 21 维特征的小规模数据上不用动它。

训练完成后看报告：

train_pred = clf.predict(X_test) print(classification_report(y_test, train_pred))

我跑下来的结果大致是：

precision recall f1-score support 0 0.89 0.96 0.93 242 1 0.90 0.76 0.82 104 accuracy 0.89 346

对比一下，如果不做任何处理直接四分类硬跑，逻辑回归也能上 0.7 的准确率，但good和vgood的召回率几乎是 0。二分类方案把正类的 F1 拉到 0.8 以上，这才是真正有用的模型。

4.5 用混淆矩阵拆开看错误

光看准确率会自我麻痹，必须把混淆矩阵打出来：

print(confusion_matrix(y_test, train_pred))

输出类似：

[[232 10] [ 25 79]]

四种格子分别代表：

• 左上角：实际不可接受，预测不可接受，数量 232，没问题
• 右上角：实际不可接受，预测可接受，数量 10，也就是说有 10 辆车被“错放行”了
• 左下角：实际可接受，预测不可接受，数量 25，这是最要命的误判，好车被漏掉
• 右下角：实际可接受，预测可接受，数量 79，正确

对业务而言，左下角和右上角完全是两种成本。如果你做的是二手车筛选，漏掉一辆好车（左下角）可能损失一单利润，而错收一辆差车（右上角）可能压库存亏更多。到底是压低哪边的错误，取决于业务目标，这也是下一步调阈值的原因。

4.6 调整概率阈值换取不同效果

逻辑回归真正好用的地方在于，你可以绕过predict，直接取得概率：

y_proba = clf.predict_proba(X_test)[:, 1]

然后手动设置阈值：

y_pred_30 = (y_proba >= 0.3).astype("int") y_pred_70 = (y_proba >= 0.7).astype("int")

阈值向下调到 0.3，会放行更多样本，召回率明显上升，但精确率会下降；阈值向上调到 0.7，精确率上升，但可能漏掉不少边缘正样本。这就是精确率和召回率之间最直白的 trade-off。没有绝对正确的阈值，只有适合业务场景的阈值。比如在这个数据集里，如果你希望“宁可多推荐几辆，也别漏掉好车”，0.3 或 0.4 更合理；如果你想“推荐出去的车尽量靠谱”，0.6 左右更稳妥。

5. 常见问题与排错技巧

5.1 类别不平衡导致的“假准确率”

很多人在这个数据集上第一次体会到：准确率 0.7，模型却几乎没有任何实用价值。原因就是全预测成unacc也能拿到 70% 准确率。

这时候必须看分类报告中的精确率、召回率、F1，特别是少数类的召回率。如果模型把所有样本都推给多数类，召回率会惨不忍睹。二分类加阈值调整正是应对这种局面的常规武器。

5.2 四分类直接硬跑为什么效果更差

用LogisticRegression跑四分类并不是不行，sklearn 默认会启用手写 softmax 的多分类模式。但问题是：四个类别重叠度很高，good和vgood之间的边界本来就模糊，线性分类器很难画出足够好的分界面，再加上样本极少，模型很容易把这两个少数类彻底忽略。

把问题简化为二分类，本质上是让模型先回答“能不能接受”，再去处理“能接受到什么程度”这种细粒度问题。后者我个人建议留给规则或者更复杂的模型去处理。

5.3 不收敛的警告怎么处理

报错信息一般是ConvergenceWarning: lbfgs failed to converge。原因很简单：默认max_iter=100，数据维度是稀疏矩阵，迭代不够就停了。直接把max_iter调到 1000 或 2000 就行，训练时间不会增加多少。

在这一步还要注意：如果换成连续数值特征的数据集，比如回归问题里的身高、体重，逻辑回归需要做标准化，否则量纲差异会让模型收敛很慢。而car-evaluation全部是独热编码后的 0/1 特征，天然同尺度，不需要标准化。

5.4 怎么从系数倒推属性重要性

逻辑回归的优势之一是系数可解释。训练完成后：

feature_names = encoder.get_feature_names_out() coef = clf.coef_[0] for name, c in sorted(zip(feature_names, coef), key=lambda x: -abs(x[1])): print(f"{name}: {c:.2f}")

我跑出来比较明显的规律是：safety_high的系数显著为正，safety_low显著为负；persons_more同样正向拉高推荐概率。这符合直觉：安全性高、载人能力强，更容易达到“可接受”标准。

需要提醒的是，系数只能说明“在其他特征不变时”该特征对概率的影响方向，不能当成严格因果关系。尤其当特征间存在相关性时，系数会互相干扰。

一个真实的项目收尾心得

做完这个组合项目，我最大的收获不是记住了某个准确率数字，而是彻底搞懂了“先定义好正样本，再去调模型”有多重要。car-evaluation表面上是四分类，但如果你直接四分类硬跑，大概率陷入多数类偏置；一旦把它压缩成“是否推荐”的二分类，再结合概率阈值调整，模型立刻变得可解释、可落地。后续你可以很自然地把流程扩展成Pipeline封装，或者尝试梯度提升树、随机森林来对比效果。但无论怎么扩展，先想清楚“正样本对业务意味着什么”，永远比调参更值得花时间。