Python|Python 实例进阶之预测房价走势 Python实例进阶之预测房价走势

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 = https://www.it610.com/article/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_splitfrom sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE)print X_train.shapeprint X_test.shapeprint y_train.shapeprint 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,GridSearchCVfrom sklearn.tree importDecisionTreeRegressorfrom sklearn.metrics import make_scorerdef 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：

文章图片

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！