ML之FE：利用FE特征工程(單個(gè)特征及其與標(biāo)簽關(guān)系的可視化)對RentListingInquries(Kaggle競賽)數(shù)據(jù)集實(shí)現(xiàn)房屋感興趣程度的多分類預(yù)測

?

?

目錄

輸出結(jié)果

設(shè)計(jì)思路

核心代碼

---

?

?

?

?

輸出結(jié)果

RentListingInquries(Kaggle競賽)數(shù)據(jù)集解釋
參考：Dataset之RentListingInquries：RentListingInquries(Kaggle競賽)數(shù)據(jù)集的簡介、下載、案例應(yīng)用之詳細(xì)攻略

2.0、【interest_level】目標(biāo)變量的直方圖可視化

2.2.1、【bathrooms】列，需過濾處理

T1.1、利用np.percentile()方法，ulimit(99.5)，只保留某些分位數(shù)內(nèi)的點(diǎn)去掉奇異點(diǎn)

T1.2、直接定量限制法，ulimit(4)

?

?

?

?

2.2.2、【bedrooms】列

2.2.3、【price】列

2.2.4、【listing_id】列

2.2.5、【Latitude&Longitude】列

2.2.6、【display_address】列

2.2.7、【building_id】列

2.2.8、【manager_id】列

2.3、查看日期型特征：
【created】、【hour】、【month】

2.4、查看圖片類型特征：【photos】

2.5、查看~~類型特征：【features】

2.6、查看單詞計(jì)數(shù)類型特征
2.6.1、【description】

T1.0、不采用去掉奇異點(diǎn)法

T1.1、利用np.percentile()方法，ulimit(99)，只保留某些分位數(shù)內(nèi)的點(diǎn)去掉奇異點(diǎn)

?

?

2.6.2、【num_description_words】

T1.0、不采用去掉奇異點(diǎn)法

T1.1、利用np.percentile()方法，ulimit(99)，只保留某些分位數(shù)內(nèi)的點(diǎn)去掉奇異點(diǎn)

T1.2、直接定量限制法，ulimit(500)

?

?

?

?

2.7、詞云圖可視化：
【display_address】、【street_address】、【features】

?

2.8、特征之間的相關(guān)性：【bathrooms】、【bedrooms】、【price】

?

設(shè)計(jì)思路

190606更新

190607更新

?

?

?

核心代碼

后期更新……

from wordcloud import WordCloudtext = '' text_da = '' text_street = '' #text_desc = '' for ind, row in train.iterrows():for feature in row['features']:text = " ".join([text, "_".join(feature.strip().split(" "))])text_da = " ".join([text_da,"_".join(row['display_address'].strip().split(" "))])text_street = " ".join([text_street,"_".join(row['street_address'].strip().split(" "))])#text_desc = " ".join([text_desc, row['description']]) text = text.strip() text_da = text_da.strip() text_street = text_street.strip() #text_desc = text_desc.strip()plt.figure(figsize=(12,6)) wordcloud = WordCloud(background_color='white', width=600, height=300, max_font_size=50, max_words=40).generate(text) wordcloud.recolor(random_state=0) plt.imshow(wordcloud) plt.title("features: Wordcloud for features", fontsize=30) plt.axis("off") plt.show()# wordcloud for display address plt.figure() wordcloud = WordCloud(background_color='white', width=600, height=300, max_font_size=50, max_words=40).generate(text_da) wordcloud.recolor(random_state=0) plt.imshow(wordcloud) plt.title("display_address: Wordcloud for Display Address", fontsize=30) plt.axis("off") plt.show()# wordcloud for street address plt.figure() wordcloud = WordCloud(background_color='white', width=600, height=300, max_font_size=50, max_words=40).generate(text_street) wordcloud.recolor(random_state=0) plt.imshow(wordcloud) plt.title("street_address: Wordcloud for Street Address", fontsize=30) plt.axis("off") plt.show()

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的ML之FE：利用FE特征工程(单个特征及其与标签关系的可视化)对RentListingInquries(Kaggle竞赛)数据集实现房屋感兴趣程度的多分类预测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。