哈嘍，大家好。

今天給大家介紹一個非常適合新手入門的機器學習實戰案例。

這是一個房價預測的案例，來源于?Kaggle?網站，是很多算法初學者的第一道競賽題目。

該案例有著解機器學習問題的完整流程，包含EDA、特征工程、模型訓練、模型融合等。

房價預測流程

下面跟著我，來學習一下該案例。

沒有啰嗦的文字，沒有多余的代碼，只有通俗的講解。

1. EDA

探索性數據分析(Exploratory Data Analysis，簡稱EDA) 的目的是讓我們對數據集有充分的了解。在這一步，我們探索的內容如下：

EDA內容

1.1 輸入數據集

train?=?pd.read_csv('./data/train.csv') test?=?pd.read_csv('./data/test.csv')

訓練樣本

train和test分別是訓練集和測試集，分別有 1460 個樣本，80 個特征。

SalePrice列代表房價，是我們要預測的。

1.2 房價分布

因為我們任務是預測房價，所以在數據集中核心要關注的就是房價（SalePrice) 一列的取值分布。

sns.distplot(train['SalePrice']);

房價取值分布

從圖上可以看出，SalePrice列峰值比較陡，并且峰值向左偏。

也可以直接調用skew()和kurt()函數計算SalePrice具體的偏度和峰度值。

對于偏度和峰度都比較大的情況，建議對SalePrice列取log()進行平滑。

1.3 與房價相關的特征

了解完SalePrice的分布后，我們可以計算 80 個特征與SalePrice的相關關系。

重點關注與SalePrice相關性最強的 10 個特征。

#?計算列之間相關性 corrmat?=?train.corr()#?取?top10 k?=?10 cols?=?corrmat.nlargest(k,?'SalePrice')['SalePrice'].index#?繪圖 cm?=?np.corrcoef(train[cols].values.T) sns.set(font_scale=1.25) hm?=?sns.heatmap(cm,?cbar=True,?annot=True,?square=True,?fmt='.2f',?annot_kws={'size':?10},?yticklabels=cols.values,?xticklabels=cols.values) plt.show()

與SalePrice高度相關的特征

OverallQual（房子材料和裝飾）、GrLivArea（地上居住面積）、GarageCars（車庫容量）和?TotalBsmtSF（地下室面積）跟SalePrice有很強的相關性。

這些特征在后面做特征工程時也會重點關注。

1.4 剔除離群樣本

由于數據集樣本量很少，離群點不利于我們后面訓練模型。

所以需要計算每個數值特性的離群點，剔除掉離群次數最多的樣本。

#?獲取數值型特征 numeric_features?=?train.dtypes[train.dtypes?!=?'object'].index#?計算每個特征的離群樣本 for?feature?in?numeric_features:outs?=?detect_outliers(train[feature],?train['SalePrice'],top=5,?plot=False)all_outliers.extend(outs)#?輸出離群次數最多的樣本 print(Counter(all_outliers).most_common())#?剔除離群樣本 train?=?train.drop(train.index[outliers])

detect_outliers()是自定義函數，用sklearn庫的LocalOutlierFactor算法計算離群點。

到這里， EDA 就完成了。最后，將訓練集和測試集合并，進行下面的特征工程。

y?=?train.SalePrice.reset_index(drop=True) train_features?=?train.drop(['SalePrice'],?axis=1) test_features?=?test features?=?pd.concat([train_features,?test_features]).reset_index(drop=True)

features合并了訓練集和測試集的特征，是我們下面要處理的數據。

2. 特征工程

特征工程

2.1 校正特征類型

MSSubClass（房屋類型）、YrSold（銷售年份）和MoSold（銷售月份）是類別型特征，只不過用數字來表示，需要將它們轉成文本特征。

features['MSSubClass']?=?features['MSSubClass'].apply(str) features['YrSold']?=?features['YrSold'].astype(str) features['MoSold']?=?features['MoSold'].astype(str)

2.2 填充特征缺失值

填充缺失值沒有統一的標準，需要根據不同的特征來決定按照什么樣的方式來填充。

# Functional：文檔提供了典型值 Typ features['Functional']?=?features['Functional'].fillna('Typ')?#Typ?是典型值#?分組填充需要按照相似的特征分組，取眾數或中位數 #?MSZoning（房屋區域）按照?MSSubClass（房屋）類型分組填充眾數 features['MSZoning']?=?features.groupby('MSSubClass')['MSZoning'].transform(lambda?x:?x.fillna(x.mode()[0]))#LotFrontage（到接到舉例）按Neighborhood分組填充中位數 features['LotFrontage']?=?features.groupby('Neighborhood')['LotFrontage'].transform(lambda?x:?x.fillna(x.median()))#?車庫相關的數值型特征，空代表無，使用0填充空值。 for?col?in?('GarageYrBlt',?'GarageArea',?'GarageCars'):features[col]?=?features[col].fillna(0)

2.3 偏度校正

跟探索SalePrice列類似，對偏度高的特征進行平滑。

# skew()方法，計算特征的偏度（skewness）。 skew_features?=?features[numeric_features].apply(lambda?x:?skew(x)).sort_values(ascending=False)#?取偏度大于?0.15?的特征 high_skew?=?skew_features[skew_features?>?0.15] skew_index?=?high_skew.index#?處理高偏度特征，將其轉化為正態分布，也可以使用簡單的log變換 for?i?in?skew_index:features[i]?=?boxcox1p(features[i],?boxcox_normmax(features[i]?+?1))

2.4 特征刪除和新增

對于幾乎都是缺失值，或單一取值占比高（99.94%）的特征可以直接刪除。

features?=?features.drop(['Utilities',?'Street',?'PoolQC',],?axis=1)?

同時，可以融合多個特征，生成新特征。

有時候模型很難學習到特征之間的關系，手動融合特征可以降低模型學習難度，提升效果。

#?將原施工日期和改造日期融合 features['YrBltAndRemod']=features['YearBuilt']+features['YearRemodAdd']#?將地下室面積、1樓、2樓面積融合 features['TotalSF']=features['TotalBsmtSF']?+?features['1stFlrSF']?+?features['2ndFlrSF']

可以發現，我們融合的特征都是與SalePrice強相關的特征。

最后簡化特征，對分布單調的特征（如：100個數據中有99個的數值是0.9，另1個是0.1），進行01處理。

features['haspool']?=?features['PoolArea'].apply(lambda?x:?1?if?x?>?0?else?0)features['has2ndfloor']?=?features['2ndFlrSF'].apply(lambda?x:?1?if?x?>?0?else?0)

2.6 生成最終訓練數據

到這里特征工程就做完了， 我們需要從features中將訓練集和測試集重新分離出來，構造最終的訓練數據。

X?=?features.iloc[:len(y),?:]? X_sub?=?features.iloc[len(y):,?:]X?=?np.array(X.copy()) y?=?np.array(y) X_sub?=?np.array(X_sub.copy())

3. 模型訓練

因為SalePrice是數值型且是連續的，所以需要訓練一個回歸模型。

3.1 單一模型

首先以嶺回歸（Ridge）?為例，構造一個k折交叉驗證模型。

from?sklearn.linear_model?import?RidgeCV from?sklearn.pipeline?import?make_pipeline from?sklearn.model_selection?import?KFoldkfolds?=?KFold(n_splits=10,?shuffle=True,?random_state=42)alphas_alt?=?[14.5,?14.6,?14.7,?14.8,?14.9,?15,?15.1,?15.2,?15.3,?15.4,?15.5]ridge?=?make_pipeline(RobustScaler(),?RidgeCV(alphas=alphas_alt,?cv=kfolds))

嶺回歸模型有一個超參數alpha，而RidgeCV的參數名是alphas，代表輸入一個超參數alpha數組。在擬合模型時，會從alpha數組中選擇表現較好某個取值。

由于現在只有一個模型，無法確定嶺回歸是不是最佳模型。所以我們可以找一些出場率高的模型多試試。

#?lasso lasso?=?make_pipeline(RobustScaler(),LassoCV(max_iter=1e7,?alphas=alphas2,?random_state=42,?cv=kfolds))#elastic?net elasticnet?=?make_pipeline(RobustScaler(),ElasticNetCV(max_iter=1e7,?alphas=e_alphas,?cv=kfolds,?l1_ratio=e_l1ratio))#svm svr?=?make_pipeline(RobustScaler(),?SVR(C=20,epsilon=0.008,gamma=0.0003, ))#GradientBoosting（展開到一階導數） gbr?=?GradientBoostingRegressor(...)#lightgbm lightgbm?=?LGBMRegressor(...)#xgboost（展開到二階導數） xgboost?=?XGBRegressor(...)

有了多個模型，我們可以再定義一個得分函數，對模型評分。

#模型評分函數 def?cv_rmse(model,?X=X):rmse?=?np.sqrt(-cross_val_score(model,?X,?y,?scoring="neg_mean_squared_error",?cv=kfolds))return?(rmse)

以嶺回歸為例，計算模型得分。

score?=?cv_rmse(ridge)?print("Ridge?score:?{:.4f}?({:.4f})\n".format(score.mean(),?score.std()),?datetime.now(),?)?#0.1024

運行其他模型發現得分都差不多。

這時候我們可以任選一個模型，擬合，預測，提交訓練結果。還是以嶺回歸為例

#?訓練模型 ridge.fit(X,?y)#?模型預測 submission.iloc[:,1]?=?np.floor(np.expm1(ridge.predict(X_sub)))#?輸出測試結果 submission?=?pd.read_csv("./data/sample_submission.csv") submission.to_csv("submission_single.csv",?index=False)

submission_single.csv是嶺回歸預測的房價，我們可以把這個結果上傳到 Kaggle 網站查看結果的得分和排名。

3.2 模型融合-stacking

有時候為了發揮多個模型的作用，我們會將多個模型融合，這種方式又被稱為集成學習。

stacking?是一種常見的集成學習方法。簡單來說，它會定義個元模型，其他模型的輸出作為元模型的輸入特征，元模型的輸出將作為最終的預測結果。

stacking

這里，我們用mlextend庫中的StackingCVRegressor模塊，對模型做stacking。

stack_gen?=?StackingCVRegressor(regressors=(ridge,?lasso,?elasticnet,?gbr,?xgboost,?lightgbm),meta_regressor=xgboost,use_features_in_secondary=True)

訓練、預測的過程與上面一樣，這里不再贅述。

3.3 模型融合-線性融合

多模型線性融合的思想很簡單，給每個模型分配一個權重（權重加和=1），最終的預測結果取各模型的加權平均值。

#?訓練單個模型 ridge_model_full_data?=?ridge.fit(X,?y) lasso_model_full_data?=?lasso.fit(X,?y) elastic_model_full_data?=?elasticnet.fit(X,?y) gbr_model_full_data?=?gbr.fit(X,?y) xgb_model_full_data?=?xgboost.fit(X,?y) lgb_model_full_data?=?lightgbm.fit(X,?y) svr_model_full_data?=?svr.fit(X,?y)models?=?[ridge_model_full_data,?lasso_model_full_data,?elastic_model_full_data,gbr_model_full_data,?xgb_model_full_data,?lgb_model_full_data,svr_model_full_data,?stack_gen_model ]#?分配模型權重 public_coefs?=?[0.1,?0.1,?0.1,?0.1,?0.15,?0.1,?0.1,?0.25]#?線性融合，取加權平均 def?linear_blend_models_predict(data_x,models,coefs,?bias):tmp=[model.predict(data_x)?for?model?in?models]tmp?=?[c*d?for?c,d?in?zip(coefs,tmp)]pres=np.array(tmp).swapaxes(0,1)?pres=np.sum(pres,axis=1)return?pres

到這里，房價預測的案例我們就講解完了，大家可以自己運行一下，看看不同方式訓練出來的模型效果。

回顧整個案例會發現，我們在數據預處理和特征工程上花費了很大心思，雖然機器學習問題模型原理比較難學，但實際過程中往往特征工程花費的心思最多。

完整源代碼關注公眾號：Python源碼?即可獲取

總結

以上是生活随笔為你收集整理的广州的房价是我遥不可及的梦，今天就用Python来做一个房价预测小工具。的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。