該分享源于 Udacity 機器學習進階中的一個mini作業(yè)項目，用于入門非常合適，刨除了繁瑣的部分，保留了最關(guān)鍵、基本的步驟，能夠?qū)C器學習基本流程有一個最清晰的認識。歡迎收藏學習，喜歡點贊支持，文末提供技術(shù)交流群。

項目描述

利用馬薩諸塞州波士頓郊區(qū)的房屋信息數(shù)據(jù)訓練和測試一個模型，并對模型的性能和預測能力進行測試；

項目分析

數(shù)據(jù)集字段解釋：

• RM: 住宅平均房間數(shù)量；
• LSTAT: 區(qū)域中被認為是低收入階層的比率；
• PTRATIO: 鎮(zhèn)上學生與教師數(shù)量比例；
• MEDV: 房屋的中值價格（目標特征，即我們要預測的值）；

其實現(xiàn)在回過頭來看，前三個特征應該都是挖掘后的組合特征，比如RM，通常在原始數(shù)據(jù)中會分為多個特征：一樓房間、二樓房間、廚房、臥室個數(shù)、地下室房間等等，這里應該是為了教學簡單化了；

MEDV為我們要預測的值，屬于回歸問題，另外數(shù)據(jù)集不大（不到500個數(shù)據(jù)點），小數(shù)據(jù)集上的回歸問題，現(xiàn)在的我初步考慮會用SVM，稍后讓我們看看當時的選擇；

Show Time

Step 1 導入數(shù)據(jù)

注意點：

• 如果數(shù)據(jù)在多個csv中（比如很多銷售項目中，銷售數(shù)據(jù)和店鋪數(shù)據(jù)是分開兩個csv的，類似數(shù)據(jù)庫的兩張表），這里一般要連接起來；
• 訓練數(shù)據(jù)和測試數(shù)據(jù)連接起來，這是為了后續(xù)的數(shù)據(jù)處理的一致，否則訓練模型時會有問題（比如用訓練數(shù)據(jù)訓練的模型，預測測試數(shù)據(jù)時報錯維度不一致）；
• 觀察下數(shù)據(jù)量，數(shù)據(jù)量對于后續(xù)選擇算法、可視化方法等有比較大的影響，所以一般會看一下；
• pandas內(nèi)存優(yōu)化，這一點項目中目前沒有，但是我最近的項目有用到，簡單說一下，通過對特征字段的數(shù)據(jù)類型向下轉(zhuǎn)換（比如int64轉(zhuǎn)為int8）降低對內(nèi)存的使用，這里很重要，數(shù)據(jù)量大時很容易撐爆個人電腦的內(nèi)存存儲；

上代碼：

# 載入波士頓房屋的數(shù)據(jù)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 分析數(shù)據(jù)

加載數(shù)據(jù)后，不要直接就急匆匆的上各種處理手段，加各種模型，先慢一點，對數(shù)據(jù)進行一個初步的了解，了解其各個特征的統(tǒng)計值、分布情況、與目標特征的關(guān)系，最好進行可視化，這樣會看到很多意料之外的東西；

基礎(chǔ)統(tǒng)計運算

統(tǒng)計運算用于了解某個特征的整體取值情況，它的最大最小值，平均值中位數(shù)，百分位數(shù)等等，這些都是最簡單的對一個字段進行了解的手段；

上代碼：

#目標：計算價值的最小值
minimum_price = np.min(prices)# prices.min()
#目標：計算價值的最大值
maximum_price = np.max(prices)# prices.max()
#目標：計算價值的平均值
mean_price = np.mean(prices)# prices.mean()
#目標：計算價值的中值
median_price = np.median(prices)# prices.median()
#目標：計算價值的標準差
std_price = np.std(prices)# prices.std()

特征觀察

這里主要考慮各個特征與目標之間的關(guān)系，比如是正相關(guān)還是負相關(guān)，通常都是通過對業(yè)務(wù)的了解而來的，這里就延伸出一個點，機器學習項目通常來說，對業(yè)務(wù)越了解，越容易得到好的效果，因為所謂的特征工程其實就是理解業(yè)務(wù)、深挖業(yè)務(wù)的過程；

比如這個問題中的三個特征：

• RM：房間個數(shù)明顯應該是與房價正相關(guān)的；
• LSTAT：低收入比例一定程度上表示著這個社區(qū)的級別，因此應該是負相關(guān)；
• PTRATIO：學生/教師比例越高，說明教育資源越緊缺，也應該是負相關(guān)；

上述這三個點，同樣可以通過可視化的方式來驗證，事實上也應該去驗證而不是只靠主觀猜想，有些情況下，主觀感覺與客觀事實是完全相反的，這里要注意；

Step 3 數(shù)據(jù)劃分

為了驗證模型的好壞，通常的做法是進行cv，即交叉驗證，基本思路是將數(shù)據(jù)平均劃分N塊，取其中N-1塊訓練，并對另外1塊做預測，并比對預測結(jié)果與實際結(jié)果，這個過程反復N次直到每一塊都作為驗證數(shù)據(jù)使用過；

上代碼：

# 提示：導入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 定義評價函數(shù)

這里主要是根據(jù)問題來定義，比如分類問題用的最多的是準確率（精確率、召回率也有使用，具體看業(yè)務(wù)場景中更重視什么），回歸問題用RMSE（均方誤差）等等，實際項目中根據(jù)業(yè)務(wù)特點經(jīng)常會有需要去自定義評價函數(shù)的時候，這里就比較靈活；

Step 5 模型調(diào)優(yōu)

通過GridSearch對模型參數(shù)進行網(wǎng)格組合搜索最優(yōu)，注意這里要考慮數(shù)據(jù)量以及組合后的可能個數(shù)，避免運行時間過長哈。

上代碼：

from sklearn.model_selection importKFold,GridSearchCV
from sklearn.tree importDecisionTreeRegressor
from sklearn.metrics import make_scorer

def fit_model(X, y):
""" 基于輸入數(shù)據(jù) [X,y]，利于網(wǎng)格搜索找到最優(yōu)的決策樹模型"""
 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)
# 基于輸入數(shù)據(jù) [X,y]，進行網(wǎng)格搜索
 grid = grid.fit(X, y)
# 返回網(wǎng)格搜索后的最優(yōu)模型
return grid.best_estimator_

可以看到當時項目中選擇的是決策樹模型，現(xiàn)在看，樹模型在這種小數(shù)據(jù)集上其實是比較容易過擬合的，因此可以考慮用SVM代替，你也可以試試哈，我估計是SVM效果最好；

學習曲線

通過繪制分析學習曲線，可以對模型當前狀態(tài)有一個基本了解，如下圖：

可以看到，超參數(shù)max_depth為1和3時，明顯訓練分數(shù)過低，這說明此時模型有欠擬合的情況，而當max_depth為6和10時，明顯訓練分數(shù)和驗證分析差距過大，說明出現(xiàn)了過擬合，因此我們初步可以猜測，最佳參數(shù)在3和6之間，即4,5中的一個，其他參數(shù)一樣可以通過學習曲線來進行可視化分析，判斷是欠擬合還是過擬合，再分別進行針對處理；

小結(jié)

通過以上的幾步，可以非常簡單、清晰的看到一個機器學習項目的全流程，其實再復雜的流程也是這些簡單步驟的一些擴展，而更難的往往是對業(yè)務(wù)的理解，沒有足夠的理解很難得到好的結(jié)果，體現(xiàn)出來就是特征工程部分做的好壞，這里就需要各位小伙伴們奮發(fā)圖強了，路漫漫啊。

技術(shù)交流

歡迎轉(zhuǎn)載、收藏、有所收獲點贊支持一下！

到此這篇關(guān)于Python 實例進階之預測房價走勢的文章就介紹到這了,更多相關(guān)Python 預測房價走勢內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！

版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。