Press "Enter" to skip to content

Kaggle机器学习入门教程一

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

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()

 

RoomsPriceDistancePostcodeBedroom2BathroomCarLandsizeBuildingAreaYearBuiltLattitudeLongtitudePropertycount
count13580.0000001.358000e+0413580.00000013580.00000013580.00000013580.00000013518.00000013580.0000007130.0000008205.00000013580.00000013580.00000013580.000000
mean2.9379971.075684e+0610.1377763105.3019152.9147281.5342421.610075558.416127151.9676501964.684217-37.809203144.9952167454.417378
std0.9557486.393107e+055.86872590.6769640.9659210.6917120.9626343990.669241541.01453837.2737620.0792600.1039164378.581772
min1.0000008.500000e+040.0000003000.0000000.0000000.0000000.0000000.0000000.0000001196.000000-38.182550144.431810249.000000
25%2.0000006.500000e+056.1000003044.0000002.0000001.0000001.000000177.00000093.0000001940.000000-37.856822144.9296004380.000000
50%3.0000009.030000e+059.2000003084.0000003.0000001.0000002.000000440.000000126.0000001970.000000-37.802355145.0001006555.000000
75%3.0000001.330000e+0613.0000003148.0000003.0000002.0000002.000000651.000000174.0000001999.000000-37.756400145.05830510331.000000
max10.0000009.000000e+0648.1000003977.00000020.0000008.00000010.000000433014.00000044515.0000002018.000000-37.408530145.52635021650.000000

 

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:

 

 

    1. 他们还没有在收集这些数据的地方建造新房子。

 

    1. 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

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注