Datawhale零基础入门数据挖掘- 二手车交易价格预测 内容介绍
1.线性回归模型

• 线性回归对于特征的要求；
• 处理长尾分布
• 理解线性回归模型；

2.模型性能验证

• 评价函数与目标函数
• 交叉验证方法
• 留一验证方法
• 针对时间序列问题的验证
• 绘制学习率曲线
• 绘制验证曲线

3.嵌入式特征选择

• Lasso回归
• Ridge回归
• 决策树

4.模型对比

• 常用线性模型
• 常用非线性模型

5.模型调参

• 贪心调参方法
• 网格调参方法
• 贝叶斯调参方法

代码示例
1读取数据

import pandas as pd import numpy as np import warnings warnings.filterwarnings('ignore')

这里原作者包装了一个函数，通过调整数据类型，帮助我们减少数据在内存中占有的空间，这个包万能，基本可以直接使用

def reduce_mean_useage(df): """ iterate through all the columns of a dataframe and modify the data type to reduce memory usage. """ start_mem =df.memory_usage().sum() print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))for col in df.columns: col_type=df[col].dtypeif col_type != object: c_min=df[col].min() c_max=df[col].max() if str(col_type)[:3]=='int': if c_min>np.iinfo(np.int8).min and c_max np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max: df[col] = df[col].astype(np.int16) elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max: df[col] = df[col].astype(np.int32) elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max: df[col] = df[col].astype(np.int64) else: if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max: df[col] = df[col].astype(np.float16) elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max: df[col] = df[col].astype(np.float32) else: df[col] = df[col].astype(np.float64) else: df[col] = df[col].astype('category') end_mem = df.memory_usage().sum() print('Memory usage after optimization is: {:.2f} MB'.format(end_mem)) print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem)) return df

测试一下：

sample_feature = reduce_mem_usage(pd.read_csv('data_for_tree.csv'))

文章图片

可以看出，优化后的内存率下降了74%

continuous_feature_names=[x for x in sample_feature.columns if x not in ['price','brand','model','brand']]

线性回归&五折交叉验证&模拟真实业务情况

sample_feature = sample_feature.dropna().replace('-', 0).reset_index(drop=True) sample_feature['notRepairedDamage'] = sample_feature['notRepairedDamage'].astype(np.float32) train = sample_feature[continuous_feature_names + ['price']] train_X = train[continuous_feature_names] train_y = train['price']

简单建模

from sklearn.linear_model import LinearRegression model = linearRegression(normaliza=True) model=model.fit(train_x,train_y)

查看训练的线性回归模型的截距与权重，这一步是将计算的左右的特征变量的权重，按照降序的方式排列

'intercept'+str(model.intercept_) sorted(dict(zip(continuous_feature_names,model.coef_)).itens(),key=lambda x:x[1], reverse=True)

from matplotlib import pyplot as plt subsample_index=np.random.randint(low=0,high=len(train_y),size=50)

特征v_9的值与标签的散点图，图片发现模型的预测结果（蓝色点）与真实标签（黑色点）的分布差异较大，且部分预测值出现了小于0的情况，说明我们的模型存在一些问题

plt.scatter(train_X['v_9'][subsample_index], train_y[subsample_index], color='black') plt.scatter(train_X['v_9'][subsample_index], model.predict(train_X.loc[subsample_index]), color='blue') plt.xlabel('v_9') plt.ylabel('price') plt.legend(['True Price','Predicted Price'],loc='upper right') print('The predicted price is obvious different from true price') plt.show()

文章图片

通过作图我们发现数据的标签（price）呈现长尾分布，不利于我们的建模预测。原因是很多模型都假设数据误差项符合正态分布，而长尾分布的数据违背了这一假设。

import seaborn as sns print('It is clear to see the price shows a typical exponential distribution') plt.figure(figsize=(15,5)) plt.subplot(1,2,1) sns.distplot(train_y) plt.subplot(1,2,2) sns.distplot(train_y[train_y < np.quantile(train_y, 0.9)])

文章图片

在这里我们对标签进行了 log(x+1)log(x+1) 变换，使标签贴近于正态分布

train_y_ln=np.log(train_y +1) omport seaborn as sns print('The transformed price seems like normal istribution') plt.figure(figsize=(15,5)) plt.subplot(1,2,1) sns.distplot(tain_y_ln) #这一步是对价格进行正态化之后再进行结尾，选择0.9以内的分位数，将大于0.9的部分舍弃掉 plt.subplot(1,2,2) sns.displot(train_y_ln[train_y_ln < np.quantile(train_y_ln,0.9)])

文章图片

由上图可以知道，对价格进行正态化之后，不选择长尾截断比较好一点。即左图效果
对价格进行正态变换之后再用于模型训练

model=model.fit(train_x,train_y_ln) print('intercept:'+str(model.intercept_)) sorted(dict(zip(continuous_feature_names,model.coef_)).items,key=lambda x:x[1], reverse=True)

再次进行可视化，发现预测结果与真实值较为接近，且未出现异常状况

plt.scatter(train_X['v_9'][subsample_index], train_y[subsample_index], color='black') plt.scatter(train_X['v_9'][subsample_index], np.exp(model.predict(train_X.loc[subsample_index])), color='blue') plt.xlabel('v_9') plt.ylabel('price') plt.legend(['True Price','Predicted Price'],loc='upper right') print('The predicted price seems normal after np.log transforming') plt.show()

文章图片

五折交叉验证

1.在使用训练集对参数进行训练的时候，经常会发现人们通常会将一整个训练集分为三个部分（比如mnist手写训练集）。一般分为：训练集（train_set），评估集（valid_set），测试集（test_set）这三个部分。这其实是为了保证训练效果而特意设置的。其中测试集很好理解，其实就是完全不参与训练的数据，仅仅用来观测测试效果的数据。而训练集和评估集则牵涉到下面的知识了。 2.因为在实际的训练中，训练的结果对于训练集的拟合程度通常还是挺好的（初始条件敏感），但是对于训练集之外的数据的拟合程度通常就不那么令人满意了。因此我们通常并不会把所有的数据集都拿来训练，而是分出一部分来（这一部分不参加训练）对训练集生成的参数进行测试，相对客观的判断这些参数对训练集之外的数据的符合程度。这种思想就称为交叉验证（Cross Validation）。

from skleran.model_selection import cross_val_score from sklearn.metrics import mean_absolute_error,make_scorer

def log_transfer(func): def wrapper(y,yhat): result=func(np.log(y),np.nan_to_num(np.log(yhat))) return result return wrapper

scores=cross_val_score(model,x=train_x,y=train_y,verbose=1,cv=5,socring=making_scorer(log_transfer(mean_absolute_error)))

[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done 5 out of 5 | elapsed: 1.1s finished
使用线性回归模型，对未处理标签的特征数据进行五折交叉验证（Error 1.36）

print('AVG:',np.mean(scores)) scores=cross_val_score(model,x=train_x,y==train_y_ln,verbose=1,cv=5, scoring=make_scorer(mean_absolute_error)) print('AVG:', np.mean(scores))

[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done 5 out of 5 | elapsed: 1.1s finished
AVG: 0.19382863663604424

scores = pd.DataFrame(scores.reshape(1,-1)) scores.columns = ['cv' + str(x) for x in range(1, 6)] scores.index = ['MAE'] scores

文章图片

模拟真实业务情况 但在事实上，由于我们并不具有预知未来的能力，五折交叉验证在某些与时间相关的数据集上反而反映了不真实的情况。通过2018年的二手车价格预测2017年的二手车价格，这显然是不合理的，因此我们还可以采用时间顺序对数据集进行分隔。在本例中，我们选用靠前时间的4/5样本当作训练集，靠后时间的1/5当作验证集，最终结果与五折交叉验证差距不大

import datetime sample_feature=sample_feature.reset_index(drop=True) split_point=len(smaple_feature)//5*4 train=sample_feature.loc[:split_point].dropna() val=sample_feature.loc[split_point].dropna()train_x=train[continuous_feature_names] train_y_ln=np.log(train['price']+1) val_X = val[continuous_feature_names] val_y_ln = np.log(val['price'] + 1)

model = model.fit(train_X, train_y_ln) mean_absolute_error(val_y_ln, model.predict(val_X))

文章图片

绘制学习率曲线与验证曲线

from sklearn.model_selection import learning_curve, validation_curve

def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,n_jobs=1, train_size=np.linspace(.1, 1.0, 5 )): plt.figure() plt.title(title) if ylim is not None: plt.ylim(*ylim) plt.xlabel('Training example') plt.ylabel('score') train_sizes, train_scores, test_scores = learning_curve(estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_size, scoring = make_scorer(mean_absolute_error)) 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()#区域 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") return plt

plot_learning_curve(LinearRegression(), 'Liner_model', train_X[:1000], train_y_ln[:1000], ylim=(0.0, 0.5), cv=5, n_jobs=1)

多种模型对比

train = sample_feature[continuous_feature_names + ['price']].dropna() train_X = train[continuous_feature_names] train_y = train['price'] train_y_ln = np.log(train_y + 1)

线性模型&嵌入式特征选择

在过滤式和包裹式特征选择方法中，特征选择过程与学习器训练过程有明显的分别。而嵌入式特征选择在学习器训练过程中自动地进行特征选择。嵌入式选择最常用的是L1正则化与L2正则化。在对线性回归模型加入两种正则化方法后，他们分别变成了岭回归与Lasso回归。

from sklearn.linear_model import LinearRegression from sklearn.linear_model import Ridge from sklearn.linear_model import Lasso

models=[LinearRegression(), Ridge(), Lasso()]

result=dict() for model in models: model_name=str(model).split('(')[0] scores=cross_val_score(model,x=train_x,y_trainy_ln,verbose=0,cv=5,scoring=make_scorer(mean_absolute_error)) result[model_name]=scores print(model_name + 'is finished')

对比三种方法的效果

result = pd.DataFrame(result) result.index=['cv'+str(x) for x in range(1,6)] result

文章图片

model=LinerRegression().fit(train_x,train_y_ln) print('intercept:'+str(model.intercept_)) sns.barplot(abs(model.coef_),continuous_fearture_names)

文章图片

L2正则化在拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』

model = Ridge().fit(train_X, train_y_ln) print('intercept:'+ str(model.intercept_)) sns.barplot(abs(model.coef_), continuous_feature_names)

岭回归之后的模型的特征截距

文章图片

L1正则化有助于生成一个稀疏权值矩阵，进而可以用于特征选择。如下图，我们发现power与userd_time特征非常重要。

model = Lasso().fit(train_X, train_y_ln) print('intercept:'+ str(model.intercept_)) sns.barplot(abs(model.coef_), continuous_feature_names)

文章图片

除此之外，决策树通过信息熵或GINI指数选择分裂节点时，优先选择的分裂特征也更加重要，这同样是一种特征选择的方法。XGBoost与LightGBM模型中的model_importance指标正是基于此计算的
非线性模型 除了线性模型以外，还有许多我们常用的非线性模型如下，在此篇幅有限不再一一讲解原理。我们选择了部分常用模型与线性模型进行效果比对。

from sklearn.linear_model import LinearRegression from sklearn.svm import SVC from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.ensemble import GradientBoostingRegressor from sklearn.neural_network import MLPRegressor from xgboost.sklearn import XGBRegressor from lightgbm.sklearn import LGBMRegressor

models = [LinearRegression(), DecisionTreeRegressor(), RandomForestRegressor(), GradientBoostingRegressor(), MLPRegressor(solver='lbfgs', max_iter=100), XGBRegressor(n_estimators = 100, objective='reg:squarederror'), LGBMRegressor(n_estimators = 100)]

result = dict() for model in models: model_name = str(model).split('(')[0] scores = cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error)) result[model_name] = scores print(model_name + ' is finished')

result = pd.DataFrame(result) result.index = ['cv' + str(x) for x in range(1, 6)] result

文章图片
可以看到随机森林模型在每一个fold中均取得了更好的效果
模型调参 在此有三种调参方法：贪心算法、网格调参、贝叶斯调参（比较推荐）

## LGB的参数集合： objective = ['regression', 'regression_l1', 'mape', 'huber', 'fair'] num_leaves = [3,5,10,15,20,40, 55] max_depth = [3,5,10,15,20,40, 55] bagging_fraction = [] feature_fraction = [] drop_rate = []

贪心调参

best_obj = dict() for obj in objective: model = LGBMRegressor(objective=obj) score = np.mean(cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error))) best_obj[obj] = score best_leaves = dict() for leaves in num_leaves: model = LGBMRegressor(objective=min(best_obj.items(), key=lambda x:x[1])[0], num_leaves=leaves) score = np.mean(cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error))) best_leaves[leaves] = score best_depth = dict() for depth in max_depth: model = LGBMRegressor(objective=min(best_obj.items(), key=lambda x:x[1])[0], num_leaves=min(best_leaves.items(), key=lambda x:x[1])[0], max_depth=depth) score = np.mean(cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error))) best_depth[depth] = score

sns.lineplot(x=['0_initial','1_turning_obj','2_turning_leaves','3_turning_depth'], y=[0.143 ,min(best_obj.values()), min(best_leaves.values()), min(best_depth.values())])

文章图片

Gird Search调参

from sklearn.model_selection import GridSearchCV

parameters = {'objective': objective , 'num_leaves': num_leaves, 'max_depth': max_depth} model = LGBMRegressor() clf = GridSearchCV(model, parameters, cv=5) clf = clf.fit(train_X, train_y)

clf.best_params_

model = LGBMRegressor(objective='regression', num_leaves=55, max_depth=15)

np.mean(cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error)))

文章图片

贝叶斯调参

from bayes_opt import BayesianOptimization

def rf_cv(num_leaves, max_depth, subsample, min_child_samples): val = cross_val_score( LGBMRegressor(objective = 'regression_l1', num_leaves=int(num_leaves), max_depth=int(max_depth), subsample = subsample, min_child_samples = int(min_child_samples) ), X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error) ).mean() return 1 - val

rf_bo = BayesianOptimization( rf_cv, { 'num_leaves': (2, 100), 'max_depth': (2, 100), 'subsample': (0.1, 1), 'min_child_samples' : (2, 100) } )

rf_bo.maximize()

文章图片

1 - rf_bo.max['target']

文章图片

总结
在本章中，我们完成了建模与调参的工作，并对我们的模型进行了验证。此外，我们还采用了一些基本方法来提高预测的精度，提升如下图所示。

plt.figure(figsize=(13,5)) sns.lineplot(x=['0_origin','1_log_transfer','2_L1_&_L2','3_change_model','4_parameter_turning'], y=[1.36 ,0.19, 0.19, 0.14, 0.13])

【天池比赛|建模调参——天池Datawhale零基础入门数据挖掘- 二手车交易价格预测】
文章图片

推荐阅读

• 

  如何使用JavaScript/jQuery创建自动调整textarea的大小（）
• 

  你马上能想到的日本女星是谁？
• 

  CC气垫在护肤品什么时候用
• 

  老年夫妻每个月都要互相检查皮肤吗？
• 

  光电子 股票000050深天马，股票000开头是什么板块
• 

  ug按某一距离创建基准平面的方法
• 

  Machine|scikit-learn-分类模型评价标准
• 

  怎么画灯笼好看又简单
• 

  科二右倒库最好记的方法
• 

  遥感主成分分析应用,主成分分析在经济问题中的应用
• 

  wps怎么一次性查找多个
• 

  凤求凰夫妇返场,价值2676点券,值不值得入手？
• 

  四季养生食谱煲汤大全 江浙地区四季养生食谱
• 

  冬枣|关于“吃”的8个真相，据说只有5％的吃货能全部答对！
• 

  请问什么人不能喝樱桃酒
• 

  缴款通知书号码怎么查 缴款账号名称哪里修改，账户名称与缴款单位名称不符
• 

  左心房右心室是什么意思
• 

  如何区分光电鼠标和激光鼠标 怎么区分光电鼠标和激光鼠标
• 

  Redis需要安装吗 redis需要make
• 

  Redis如何实现持久化?