Press "Enter" to skip to content

如何用 Python 预测房价走势?

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.

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。

 

 

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:

 

 

    1. RM: 住宅平均房间数量;

 

    1. LSTAT: 区域中被认为是低收入阶层的比率;

 

    1. PTRATIO: 镇上学生与教师数量比例;

 

    1. 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:

 

 

    1. 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;

 

    1. 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);

 

    1. 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;

 

    1. 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 = 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_split 
 
fromsklearn.model_selectionimporttrain_test_split 
 
 
X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE) 
 
printX_train.shape 
 
printX_test.shape 
 
printy_train.shape 
 
printy_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什幺),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:

 

fromsklearn.model_selectionimportKFold,GridSearchCV 
 
fromsklearn.treeimportDecisionTreeRegressor 
 
fromsklearn.metricsimportmake_scorer 
 
 
 
deffit_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 
 
returngrid.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效果比较好;

 

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:

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,优质参数在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。

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注