該分享源于 Udacity 機(jī)器學(xué)習(xí)進(jìn)階中的一個(gè)mini作業(yè)項(xiàng)目，用于入門非常合適，刨除了繁瑣的部分，保留了最關(guān)鍵、基本的步驟，能夠?qū)C(jī)器學(xué)習(xí)基本流程有一個(gè)最清晰的認(rèn)識(shí)。歡迎收藏學(xué)習(xí)，喜歡點(diǎn)贊支持，文末提供技術(shù)交流群。

項(xiàng)目描述

利用馬薩諸塞州波士頓郊區(qū)的房屋信息數(shù)據(jù)訓(xùn)練和測(cè)試一個(gè)模型，并對(duì)模型的性能和預(yù)測(cè)能力進(jìn)行測(cè)試；

項(xiàng)目分析

數(shù)據(jù)集字段解釋：

• RM: 住宅平均房間數(shù)量；
• LSTAT: 區(qū)域中被認(rèn)為是低收入階層的比率；
• PTRATIO: 鎮(zhèn)上學(xué)生與教師數(shù)量比例；
• MEDV: 房屋的中值價(jià)格（目標(biāo)特征，即我們要預(yù)測(cè)的值）；

其實(shí)現(xiàn)在回過頭來看，前三個(gè)特征應(yīng)該都是挖掘后的組合特征，比如RM，通常在原始數(shù)據(jù)中會(huì)分為多個(gè)特征：一樓房間、二樓房間、廚房、臥室個(gè)數(shù)、地下室房間等等，這里應(yīng)該是為了教學(xué)簡(jiǎn)單化了；

MEDV為我們要預(yù)測(cè)的值，屬于回歸問題，另外數(shù)據(jù)集不大（不到500個(gè)數(shù)據(jù)點(diǎn)），小數(shù)據(jù)集上的回歸問題，現(xiàn)在的我初步考慮會(huì)用SVM，稍后讓我們看看當(dāng)時(shí)的選擇；

Show Time

Step 1 導(dǎo)入數(shù)據(jù)

注意點(diǎn)：

• 如果數(shù)據(jù)在多個(gè)csv中（比如很多銷售項(xiàng)目中，銷售數(shù)據(jù)和店鋪數(shù)據(jù)是分開兩個(gè)csv的，類似數(shù)據(jù)庫的兩張表），這里一般要連接起來；
• 訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)連接起來，這是為了后續(xù)的數(shù)據(jù)處理的一致，否則訓(xùn)練模型時(shí)會(huì)有問題（比如用訓(xùn)練數(shù)據(jù)訓(xùn)練的模型，預(yù)測(cè)測(cè)試數(shù)據(jù)時(shí)報(bào)錯(cuò)維度不一致）；
• 觀察下數(shù)據(jù)量，數(shù)據(jù)量對(duì)于后續(xù)選擇算法、可視化方法等有比較大的影響，所以一般會(huì)看一下；
• pandas內(nèi)存優(yōu)化，這一點(diǎn)項(xiàng)目中目前沒有，但是我最近的項(xiàng)目有用到，簡(jiǎn)單說一下，通過對(duì)特征字段的數(shù)據(jù)類型向下轉(zhuǎn)換（比如int64轉(zhuǎn)為int8）降低對(duì)內(nèi)存的使用，這里很重要，數(shù)據(jù)量大時(shí)很容易撐爆個(gè)人電腦的內(nèi)存存儲(chǔ)；

上代碼：

# 載入波士頓房屋的數(shù)據(jù)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 分析數(shù)據(jù)

加載數(shù)據(jù)后，不要直接就急匆匆的上各種處理手段，加各種模型，先慢一點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行一個(gè)初步的了解，了解其各個(gè)特征的統(tǒng)計(jì)值、分布情況、與目標(biāo)特征的關(guān)系，最好進(jìn)行可視化，這樣會(huì)看到很多意料之外的東西；

基礎(chǔ)統(tǒng)計(jì)運(yùn)算

統(tǒng)計(jì)運(yùn)算用于了解某個(gè)特征的整體取值情況，它的最大最小值，平均值中位數(shù)，百分位數(shù)等等，這些都是最簡(jiǎn)單的對(duì)一個(gè)字段進(jìn)行了解的手段；

上代碼：

#目標(biāo)：計(jì)算價(jià)值的最小值
minimum_price = np.min(prices)# prices.min()

#目標(biāo)：計(jì)算價(jià)值的最大值
maximum_price = np.max(prices)# prices.max()

#目標(biāo)：計(jì)算價(jià)值的平均值
mean_price = np.mean(prices)# prices.mean()

#目標(biāo)：計(jì)算價(jià)值的中值
median_price = np.median(prices)# prices.median()

#目標(biāo)：計(jì)算價(jià)值的標(biāo)準(zhǔn)差
std_price = np.std(prices)# prices.std()

特征觀察

這里主要考慮各個(gè)特征與目標(biāo)之間的關(guān)系，比如是正相關(guān)還是負(fù)相關(guān)，通常都是通過對(duì)業(yè)務(wù)的了解而來的，這里就延伸出一個(gè)點(diǎn)，機(jī)器學(xué)習(xí)項(xiàng)目通常來說，對(duì)業(yè)務(wù)越了解，越容易得到好的效果，因?yàn)樗^的特征工程其實(shí)就是理解業(yè)務(wù)、深挖業(yè)務(wù)的過程；

比如這個(gè)問題中的三個(gè)特征：

• RM：房間個(gè)數(shù)明顯應(yīng)該是與房?jī)r(jià)正相關(guān)的；
• LSTAT：低收入比例一定程度上表示著這個(gè)社區(qū)的級(jí)別，因此應(yīng)該是負(fù)相關(guān)；
• PTRATIO：學(xué)生/教師比例越高，說明教育資源越緊缺，也應(yīng)該是負(fù)相關(guān)；

上述這三個(gè)點(diǎn)，同樣可以通過可視化的方式來驗(yàn)證，事實(shí)上也應(yīng)該去驗(yàn)證而不是只靠主觀猜想，有些情況下，主觀感覺與客觀事實(shí)是完全相反的，這里要注意；

Step 3 數(shù)據(jù)劃分

為了驗(yàn)證模型的好壞，通常的做法是進(jìn)行cv，即交叉驗(yàn)證，基本思路是將數(shù)據(jù)平均劃分N塊，取其中N-1塊訓(xùn)練，并對(duì)另外1塊做預(yù)測(cè)，并比對(duì)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果，這個(gè)過程反復(fù)N次直到每一塊都作為驗(yàn)證數(shù)據(jù)使用過；

上代碼：

# 提示：導(dǎo)入train_test_split
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE)
print X_train.shape
print X_test.shape
print y_train.shape
print y_test.shape

Step 4 定義評(píng)價(jià)函數(shù)

這里主要是根據(jù)問題來定義，比如分類問題用的最多的是準(zhǔn)確率（精確率、召回率也有使用，具體看業(yè)務(wù)場(chǎng)景中更重視什么），回歸問題用RMSE（均方誤差）等等，實(shí)際項(xiàng)目中根據(jù)業(yè)務(wù)特點(diǎn)經(jīng)常會(huì)有需要去自定義評(píng)價(jià)函數(shù)的時(shí)候，這里就比較靈活；

Step 5 模型調(diào)優(yōu)

通過GridSearch對(duì)模型參數(shù)進(jìn)行網(wǎng)格組合搜索最優(yōu)，注意這里要考慮數(shù)據(jù)量以及組合后的可能個(gè)數(shù)，避免運(yùn)行時(shí)間過長(zhǎng)哈。

上代碼：

from sklearn.model_selection importKFold,GridSearchCV
from sklearn.tree importDecisionTreeRegressor
from sklearn.metrics import make_scorer


def fit_model(X, y):
""" 基于輸入數(shù)據(jù) [X,y]，利于網(wǎng)格搜索找到最優(yōu)的決策樹模型"""

    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)

# 基于輸入數(shù)據(jù) [X,y]，進(jìn)行網(wǎng)格搜索
    grid = grid.fit(X, y)

# 返回網(wǎng)格搜索后的最優(yōu)模型
return grid.best_estimator_

可以看到當(dāng)時(shí)項(xiàng)目中選擇的是決策樹模型，現(xiàn)在看，樹模型在這種小數(shù)據(jù)集上其實(shí)是比較容易過擬合的，因此可以考慮用SVM代替，你也可以試試哈，我估計(jì)是SVM效果最好；

學(xué)習(xí)曲線

通過繪制分析學(xué)習(xí)曲線，可以對(duì)模型當(dāng)前狀態(tài)有一個(gè)基本了解，如下圖：

可以看到，超參數(shù)max_depth為1和3時(shí)，明顯訓(xùn)練分?jǐn)?shù)過低，這說明此時(shí)模型有欠擬合的情況，而當(dāng)max_depth為6和10時(shí)，明顯訓(xùn)練分?jǐn)?shù)和驗(yàn)證分析差距過大，說明出現(xiàn)了過擬合，因此我們初步可以猜測(cè)，最佳參數(shù)在3和6之間，即4,5中的一個(gè)，其他參數(shù)一樣可以通過學(xué)習(xí)曲線來進(jìn)行可視化分析，判斷是欠擬合還是過擬合，再分別進(jìn)行針對(duì)處理；

小結(jié)

通過以上的幾步，可以非常簡(jiǎn)單、清晰的看到一個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的全流程，其實(shí)再復(fù)雜的流程也是這些簡(jiǎn)單步驟的一些擴(kuò)展，而更難的往往是對(duì)業(yè)務(wù)的理解，沒有足夠的理解很難得到好的結(jié)果，體現(xiàn)出來就是特征工程部分做的好壞，這里就需要各位小伙伴們奮發(fā)圖強(qiáng)了，路漫漫啊。

技術(shù)交流

歡迎轉(zhuǎn)載、收藏、有所收獲點(diǎn)贊支持一下！

到此這篇關(guān)于Python 實(shí)例進(jìn)階之預(yù)測(cè)房?jī)r(jià)走勢(shì)的文章就介紹到這了,更多相關(guān)Python 預(yù)測(cè)房?jī)r(jià)走勢(shì)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！