Python 实例进阶之预测房价走势,


目录
  • 项目描述
  • 项目分析
  • Show Time
    • Step 1 导入数据
    • Step 2 分析数据
      • 基础统计运算
      • 特征观察
    • Step 3 数据划分
      • Step 4 定义评价函数
        • Step 5 模型调优
          • 学习曲线
          • 小结
            • 技术交流

              该分享源于 Udacity 机器学习进阶中的一个mini作业项目,用于入门非常合适,刨除了繁琐的部分,保留了最关键、基本的步骤,能够对机器学习基本流程有一个最清晰的认识。欢迎收藏学习,喜欢点赞支持,文末提供技术交流群。

              项目描述

              利用马萨诸塞州波士顿郊区的房屋信息数据训练和测试一个模型,并对模型的性能和预测能力进行测试;

              项目分析

              数据集字段解释:

              • RM: 住宅平均房间数量;
              • LSTAT: 区域中被认为是低收入阶层的比率;
              • PTRATIO: 镇上学生与教师数量比例;
              • MEDV: 房屋的中值价格(目标特征,即我们要预测的值);

              其实现在回过头来看,前三个特征应该都是挖掘后的组合特征,比如RM,通常在原始数据中会分为多个特征:一楼房间、二楼房间、厨房、卧室个数、地下室房间等等,这里应该是为了教学简单化了;

              MEDV为我们要预测的值,属于回归问题,另外数据集不大(不到500个数据点),小数据集上的回归问题,现在的我初步考虑会用SVM,稍后让我们看看当时的选择;

              Show Time

              Step 1 导入数据

              注意点:

              • 如果数据在多个csv中(比如很多销售项目中,销售数据和店铺数据是分开两个csv的,类似数据库的两张表),这里一般要连接起来;
              • 训练数据和测试数据连接起来,这是为了后续的数据处理的一致,否则训练模型时会有问题(比如用训练数据训练的模型,预测测试数据时报错维度不一致);
              • 观察下数据量,数据量对于后续选择算法、可视化方法等有比较大的影响,所以一般会看一下;
              • pandas内存优化,这一点项目中目前没有,但是我最近的项目有用到,简单说一下,通过对特征字段的数据类型向下转换(比如int64转为int8)降低对内存的使用,这里很重要,数据量大时很容易撑爆个人电脑的内存存储;

              上代码:

              # 载入波士顿房屋的数据集
              data = pd.read_csv('housing.csv')
              prices = data['MEDV']
              features = data.drop('MEDV', axis = 1)
              
              # 完成
              
              print"Boston housing dataset has {} data points with {} variables each.".format(*data.shape)
              

              Step 2 分析数据

              加载数据后,不要直接就急匆匆的上各种处理手段,加各种模型,先慢一点,对数据进行一个初步的了解,了解其各个特征的统计值、分布情况、与目标特征的关系,最好进行可视化,这样会看到很多意料之外的东西;

              基础统计运算

              统计运算用于了解某个特征的整体取值情况,它的最大最小值,平均值中位数,百分位数等等,这些都是最简单的对一个字段进行了解的手段;

              上代码:

              #目标:计算价值的最小值
              minimum_price = np.min(prices)# prices.min()
              
              #目标:计算价值的最大值
              maximum_price = np.max(prices)# prices.max()
              
              #目标:计算价值的平均值
              mean_price = np.mean(prices)# prices.mean()
              
              #目标:计算价值的中值
              median_price = np.median(prices)# prices.median()
              
              #目标:计算价值的标准差
              std_price = np.std(prices)# prices.std()
              

              特征观察

              这里主要考虑各个特征与目标之间的关系,比如是正相关还是负相关,通常都是通过对业务的了解而来的,这里就延伸出一个点,机器学习项目通常来说,对业务越了解,越容易得到好的效果,因为所谓的特征工程其实就是理解业务、深挖业务的过程;

              比如这个问题中的三个特征:

              • RM:房间个数明显应该是与房价正相关的;
              • LSTAT:低收入比例一定程度上表示着这个社区的级别,因此应该是负相关;
              • PTRATIO:学生/教师比例越高,说明教育资源越紧缺,也应该是负相关;

              上述这三个点,同样可以通过可视化的方式来验证,事实上也应该去验证而不是只靠主观猜想,有些情况下,主观感觉与客观事实是完全相反的,这里要注意;

              Step 3 数据划分

              为了验证模型的好坏,通常的做法是进行cv,即交叉验证,基本思路是将数据平均划分N块,取其中N-1块训练,并对另外1块做预测,并比对预测结果与实际结果,这个过程反复N次直到每一块都作为验证数据使用过;

              上代码:

              # 提示:导入train_test_split
              from sklearn.model_selection import train_test_split
              
              X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE)
              print X_train.shape
              print X_test.shape
              print y_train.shape
              print y_test.shape
              

              Step 4 定义评价函数

              这里主要是根据问题来定义,比如分类问题用的最多的是准确率(精确率、召回率也有使用,具体看业务场景中更重视什么),回归问题用RMSE(均方误差)等等,实际项目中根据业务特点经常会有需要去自定义评价函数的时候,这里就比较灵活;

              Step 5 模型调优

              通过GridSearch对模型参数进行网格组合搜索最优,注意这里要考虑数据量以及组合后的可能个数,避免运行时间过长哈。

              上代码:

              from sklearn.model_selection importKFold,GridSearchCV
              from sklearn.tree importDecisionTreeRegressor
              from sklearn.metrics import make_scorer
              
              
              def fit_model(X, y):
              """ 基于输入数据 [X,y],利于网格搜索找到最优的决策树模型"""
              
                  cross_validator = KFold()
              
                  regressor = DecisionTreeRegressor()
              
                  params = {'max_depth':[1,2,3,4,5,6,7,8,9,10]}
              
                  scoring_fnc = make_scorer(performance_metric)
              
                  grid = GridSearchCV(estimator=regressor, param_grid=params, scoring=scoring_fnc, cv=cross_validator)
              
              # 基于输入数据 [X,y],进行网格搜索
                  grid = grid.fit(X, y)
              
              # 返回网格搜索后的最优模型
              return grid.best_estimator_
              

              可以看到当时项目中选择的是决策树模型,现在看,树模型在这种小数据集上其实是比较容易过拟合的,因此可以考虑用SVM代替,你也可以试试哈,我估计是SVM效果最好;

              学习曲线

              通过绘制分析学习曲线,可以对模型当前状态有一个基本了解,如下图:

              图片

              可以看到,超参数max_depth为1和3时,明显训练分数过低,这说明此时模型有欠拟合的情况,而当max_depth为6和10时,明显训练分数和验证分析差距过大,说明出现了过拟合,因此我们初步可以猜测,最佳参数在3和6之间,即4,5中的一个,其他参数一样可以通过学习曲线来进行可视化分析,判断是欠拟合还是过拟合,再分别进行针对处理;

              小结

              通过以上的几步,可以非常简单、清晰的看到一个机器学习项目的全流程,其实再复杂的流程也是这些简单步骤的一些扩展,而更难的往往是对业务的理解,没有足够的理解很难得到好的结果,体现出来就是特征工程部分做的好坏,这里就需要各位小伙伴们奋发图强了,路漫漫啊。

              技术交流

              欢迎转载、收藏、有所收获点赞支持一下!

              在这里插入图片描述

              到此这篇关于Python 实例进阶之预测房价走势的文章就介绍到这了,更多相关Python 预测房价走势内容请搜索3672js教程以前的文章或继续浏览下面的相关文章希望大家以后多多支持3672js教程!

              您可能感兴趣的文章:
              • Python实现并行抓取整站40万条房价数据(可更换抓取城市)
              • Python人工智能之波士顿房价数据分析

              评论关闭