这门课程将从机器学习模型 如何工作 以及 如何使用 它们开始，如果您以前做过统计建模或机器学习，这可能会觉得很基础。别担心，我们很快就会建立强大的模型。
本课程将让您为以下场景构建模型:
（ 房价预测 ）你表弟在房地产投机上赚了数百万美元。由于你对数据科学的兴趣，他愿意和你成为商业伙伴。他提供钱，你提供模型来预测不同房子的价值。
你问你表弟他过去是如何预测房地产价值的。他说这只是直觉。但更多的问题表明，他已经从过去看到的房子中识别出了价格模式，并利用这些模式对他正在考虑的新房子做出了预测。
机器学习也是如此。我们将从一个叫做 决策树 的模型开始。用更漂亮的模型可以给出更准确的预测。但是决策树很容易理解，它们是数据科学中一些最佳模型的基本构建块。
为了简单起见，我们将从最简单的决策树开始。
它 只把房子分为两类 。任何被考虑的房屋的预测价格是同一类别房屋的历史平均价格。
我们用数据来决定如何把房子分成两组，然后再确定每组的预测价格。从数据中获取模式的这一步称为模型 拟合 或 训练 。用于 拟合模型 的数据称为 训练数据 。
模型如何拟合(例如如何分割数据)的细节非常复杂，我们将在以后进行详细讲解。模型拟合后，您可以将其应用于新的数据，以 预测 其他房屋的价格。
改进决策树
以下两种决策树中，哪一种更有可能通过拟合房地产训练数据而得到结果?
左边的决策树(Decision Tree 1)可能更有意义，因为它捕捉到了这样一个事实: 卧室较多的房子往往比卧室较少的房子售价更高。这种模式最大的缺点是它没有捕捉到影响房价的其他的大部分因素，如浴室数量、面积、位置等。
您可以使用具有更多“分支”的树捕获更多的因子。这些树被称为“深”树。一个决策树，也考虑每个房子的面积大小，可能是这样的:
可以通过追踪决策树来预测房子的价格，每次决策都选择与房子特征相对应的路径。这所房子的预测价格在树的底部。在底部的点叫做 叶子节点 。
叶节点的分割和值将由数据决定，所以现在是您检查将要处理的数据的时候了。
探索数据
使用pandas探索数据
任何机器学习项目的第一步都是熟悉数据。pandas库是科学家用来探索和操做数据的主要工具。大多数人在他们的代码中将pandas缩写为pd。我们用下面的命令导入pandas库：
import pandas as pd
pandas库最重要的部分是DataFrame。DataFrame保存您可能认为是表的数据类型。这类似于Excel中的工作表，或SQL数据库中的表。
pandas提供了强大的方法，可以处理您想要处理的大多数此类数据。
举个例子，我们来看看澳大利亚墨尔本的房价数据。在实践练习中，您将把相同的过程应用到一个新的数据集，该数据集包含衣阿华州的房价。
示例(墨尔本)数据位于文件路径 ../input/melbourne-housing-snapshot/melb_data.csv
我们使用以下命令加载和浏览数据：
# save filepath to variable for easier access melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv' # read the data and store data in DataFrame titled melbourne_data melbourne_data = pd.read_csv(melbourne_file_path) # print a summary of the data in Melbourne data melbourne_data.describe()
| Rooms | Price | Distance | Postcode | Bedroom2 | Bathroom | Car | Landsize | BuildingArea | YearBuilt | Lattitude | Longtitude | Propertycount | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| count | 13580.000000 | 1.358000e+04 | 13580.000000 | 13580.000000 | 13580.000000 | 13580.000000 | 13518.000000 | 13580.000000 | 7130.000000 | 8205.000000 | 13580.000000 | 13580.000000 | 13580.000000 |
| mean | 2.937997 | 1.075684e+06 | 10.137776 | 3105.301915 | 2.914728 | 1.534242 | 1.610075 | 558.416127 | 151.967650 | 1964.684217 | -37.809203 | 144.995216 | 7454.417378 |
| std | 0.955748 | 6.393107e+05 | 5.868725 | 90.676964 | 0.965921 | 0.691712 | 0.962634 | 3990.669241 | 541.014538 | 37.273762 | 0.079260 | 0.103916 | 4378.581772 |
| min | 1.000000 | 8.500000e+04 | 0.000000 | 3000.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 1196.000000 | -38.182550 | 144.431810 | 249.000000 |
| 25% | 2.000000 | 6.500000e+05 | 6.100000 | 3044.000000 | 2.000000 | 1.000000 | 1.000000 | 177.000000 | 93.000000 | 1940.000000 | -37.856822 | 144.929600 | 4380.000000 |
| 50% | 3.000000 | 9.030000e+05 | 9.200000 | 3084.000000 | 3.000000 | 1.000000 | 2.000000 | 440.000000 | 126.000000 | 1970.000000 | -37.802355 | 145.000100 | 6555.000000 |
| 75% | 3.000000 | 1.330000e+06 | 13.000000 | 3148.000000 | 3.000000 | 2.000000 | 2.000000 | 651.000000 | 174.000000 | 1999.000000 | -37.756400 | 145.058305 | 10331.000000 |
| max | 10.000000 | 9.000000e+06 | 48.100000 | 3977.000000 | 20.000000 | 8.000000 | 10.000000 | 433014.000000 | 44515.000000 | 2018.000000 | -37.408530 | 145.526350 | 21650.000000 |
解释Data Description
结果为原始数据集中的每一列显示8个数字。第一个数字是count，它显示有多少行没有缺失值。
缺失值的原因有很多。例如，在测量1居室的房子时，不会收集第2居室的大小。
第二个值是均值 mean ，也就是平均值。在这种情况下， std 是标准偏差，它度量数值的分布情况。
要解释最小值 min 、 25% 、 50% 、 75% 和最大值 max ，请想像对每个列从最低值到最高值进行排序。第一个(最小的)值是最小值。如果您遍历列表的四分之一，您会发现一个值大于25%，小于75%。这就是25%的值。第50百分位和第75百分位的定义类似，最大值是最大的数字。
练习：探索数据
kaggle链接： https://www.kaggle.com/…
这个练习将测试您读取数据文件和理解有关数据的统计信息的能力。
你的数据中最新的房子并不新鲜。对此有几个可能的解释:
- 他们还没有在收集这些数据的地方建造新房子。
- 这些数据是很久以前收集的。数据发布后建造的房屋不会出现。
如果原因是上面的解释#1，那幺这会影响您对使用这些数据构建的模型的信任吗?如果这是第二个原因呢?
你如何深入研究这些数据，看看哪种解释更合理?
Be First to Comment