建站
咨詢
售后
建站咨詢
新聞中心
關(guān)于房價，一直都是全民熱議的話題，畢竟不少人終其一生都在為之奮斗。
堅守“ 做人真誠 · 做事靠譜 · 口碑至上 · 高效敬業(yè) ”的價值觀，專業(yè)網(wǎng)站建設(shè)服務(wù)10余年為成都社區(qū)文化墻小微創(chuàng)業(yè)公司專業(yè)提供企業(yè)網(wǎng)站建設(shè)營銷網(wǎng)站建設(shè)商城網(wǎng)站建設(shè)手機網(wǎng)站建設(shè)小程序網(wǎng)站建設(shè)網(wǎng)站改版，從內(nèi)容策劃、視覺設(shè)計、底層架構(gòu)、網(wǎng)頁布局、功能開發(fā)迭代于一體的高端網(wǎng)站建設(shè)服務(wù)。
房地產(chǎn)的泡沫究竟有多大不得而知？今天我們拋開泡沫，回歸房屋最本質(zhì)的內(nèi)容，來分析一下房價的影響因素究竟是什么？
1、導入數(shù)據(jù)
- import numpy as np
- import pandas as pd
- import matplotlib.pyplot as plt
- import seaborn as sn
- import missingno as msno
- %matplotlib inline
- train = pd.read_csv('train.csv',index_col=0)
- #導入訓練集
- test = pd.read_csv('test.csv',index_col=0)
- #導入測試集
- train.head(3)
- print('train訓練集缺失數(shù)據(jù)分布圖')
- msno.matrix(train)
- print('test測試集缺失數(shù)據(jù)分布圖')
- msno.matrix(test)
從上面的數(shù)據(jù)缺失可視化圖中可以看出，部分特征的數(shù)據(jù)缺失十分嚴重，下面我們來對特征的缺失數(shù)量進行統(tǒng)計。
2、目標Y值分析
- ##分割Y和X數(shù)據(jù)
- y=train['SalePrice']
- #看一下y的值分布
- prices = pd.DataFrame({'price':y,'log(price+1)':np.log1p(y)})
- prices.hist()
觀察目標變量y的分布和取對數(shù)后的分布看，取完對數(shù)后更傾向于符合正太分布，故我們對y進行對數(shù)轉(zhuǎn)化。
- y = np.log1p(y) #+1的目的是防止對數(shù)轉(zhuǎn)化后的值無意義
3、合并數(shù)據(jù) 缺失處理
- #合并訓練特征和測試集
- all_df = pd.concat((X,test),axis=0)
- print('all_df缺失數(shù)據(jù)圖')
- msno.matrix(all_df)
- #定義缺失統(tǒng)計函數(shù)
- def show_missing(feature):
- missing = feature.columns[feature.isnull().any()].tolist()
- return missing
- print('缺失特征的數(shù)據(jù)缺失量統(tǒng)計：')
- all_df[show_missing(all_df)].isnull().sum()
- #先處理numeric數(shù)值型數(shù)據(jù)
- #挨個兒看一下分布
- fig,axs = plt.subplots(3,2,figsize=(16,9))
- all_df['BsmtFinSF1'].hist(ax = axs[0,0])#眾數(shù)填充
- all_df['BsmtFinSF2'].hist(ax = axs[0,1])#眾數(shù)
- all_df['BsmtUnfSF'].hist(ax = axs[1,0])#中位數(shù)
- all_df['TotalBsmtSF'].hist(ax = axs[1,1])#均值填充
- all_df['BsmtFullBath'].hist(ax = axs[2,0])#眾數(shù)
- all_df['BsmtHalfBath'].hist(ax = axs[2,1])#眾數(shù)
- #lotfrontage用均值填充
- mean_lotfrontage = all_df.LotFrontage.mean()
- all_df.LotFrontage.hist()
- print('用均值填充:')
- cat_input(all_df,'LotFrontage',mean_lotfrontage)
- cat_input(all_df,'BsmtFinSF1',0.0)
- cat_input(all_df,'BsmtFinSF2',0.0)
- cat_input(all_df,'BsmtFullBath',0.0)
- cat_input(all_df,'BsmtHalfBath',0.0)
- cat_input(all_df,'BsmtUnfSF',467.00)
- cat_input(all_df,'TotalBsmtSF',1051.78)
- #在處理字符型，同樣，挨個看下分布
- fig,axs = plt.subplots(4,2,figsize=(16,9))
- all_df['MSZoning'].hist(ax = axs[0,0])#眾數(shù)填充
- all_df['Utilities'].hist(ax = axs[0,1])#眾數(shù)
- all_df['Exterior1st'].hist(ax = axs[1,0])#眾數(shù)
- all_df['Exterior2nd'].hist(ax = axs[1,1])#眾數(shù)填充
- all_df['KitchenQual'].hist(ax = axs[2,0])#眾數(shù)
- all_df['Functional'].hist(ax = axs[2,1])#眾數(shù)
- all_df['SaleType'].hist(ax = axs[3,0])#眾數(shù)
- cat_input(all_df,'MSZoning','RL')
- cat_input(all_df,'Utilities','AllPub')
- cat_input(all_df,'Exterior1st','VinylSd')
- cat_input(all_df,'Exterior2nd','VinylSd')
- cat_input(all_df,'KitchenQual','TA')
- cat_input(all_df,'Functional','Typ')
- cat_input(all_df,'SaleType','WD')
- #再看一下缺失分布
- msno.matrix(all_df)
binggo，數(shù)據(jù)干凈啦！下面開始處理特征,經(jīng)過上述略微復(fù)雜的處理，數(shù)據(jù)集中所有的缺失數(shù)據(jù)都已處理完畢，可以開始接下來的工作啦！
缺失處理總結(jié)：在本篇文章所使用的數(shù)據(jù)集中存在比較多的缺失，缺失數(shù)據(jù)包括數(shù)值型和字符型，處理原則主要有兩個：
一、根據(jù)繪制數(shù)據(jù)分布直方圖，觀察數(shù)據(jù)分布的狀態(tài)，采取合適的方式填充缺失數(shù)據(jù)；
二、非常重要的特征描述，認真閱讀，按照特征描述填充可以解決大部分問題。
4、特征處理
讓我們在重新仔細審視一下數(shù)據(jù)有沒有問題？仔細觀察發(fā)現(xiàn)MSSubClass特征實際上是分類特征，但是數(shù)據(jù)顯示是int類型，這個需要改成str。
- #觀察特征屬性發(fā)現(xiàn)，MSSubClass是分類特征，但是數(shù)據(jù)給的是數(shù)值型，需要對其做轉(zhuǎn)換
- all_df['MSSubClass']=all_df['MSSubClass'].astype(str)
- #將分類變量轉(zhuǎn)變成數(shù)值變量
- all_df = pd.get_dummies(all_df)
- print('分類變量轉(zhuǎn)換完成后有{}行{}列'.format(*all_df.shape))
分類變量轉(zhuǎn)換完成后有2919行316列
- #標準化處理
- numeric_cols = all_df.columns[all_df.dtypes !='uint8']
- #x-mean(x)/std(x)
- numeric_mean = all_df.loc[:,numeric_cols].mean()
- numeric_std = all_df.loc[:,numeric_cols].std()
- all_df.loc[:,numeric_cols] = (all_df.loc[:,numeric_cols]-numeric_mean)/numeric_std
再把數(shù)據(jù)拆分到訓練集和測試集
- train_df = all_df.ix[0:1460]#訓練集
- test_df = all_df.ix[1461:]#測試集
5、構(gòu)建基準模型
- from sklearn import cross_validation
- from sklearn import linear_model
- from sklearn.learning_curve import learning_curve
- from sklearn.metrics import explained_variance_score
- from sklearn.grid_search import GridSearchCV
- from sklearn.model_selection import cross_val_score
- from sklearn.ensemble import RandomForestRegressor
- y = y.values #轉(zhuǎn)換成array數(shù)組
- X = train_df.values #轉(zhuǎn)換成array數(shù)組
- cv = cross_validation.ShuffleSplit(len(X),n_iter=3,test_size=0.2)
- print('嶺回歸交叉驗證結(jié)果：')
- for train_index,test_index in cv:
- ridge = linear_model.Ridge(alpha=1).fit(X,y)
- print('train_score:{0:.3f},test_score:{1:.3f}\n'.format(ridge.score(X[train_index],y[train_index]), ridge.score(X[test_index],y[test_index])))
- print('隨機森林交叉驗證結(jié)果：')
- for train_index,test_index in cv:
- rf = RandomForestRegressor().fit(X,y)
- print('train_score:{0:.3f},test_score:{1:.3f}\n'.format(rf.score(X[train_index],y[train_index]), rf.score(X[test_index],y[test_index])))
哇！好意外啊，這兩個模型的結(jié)果表現(xiàn)都不錯，但是隨機森林的結(jié)果似乎更好，下面來看看學習曲線情況。
我們采用的是默認的參數(shù)，沒有調(diào)優(yōu)處理，得到的兩個基準模型都存在過擬合現(xiàn)象。下面，我們開始著手參數(shù)的調(diào)整，希望能夠改善模型的過擬合現(xiàn)象。
6、參數(shù)調(diào)優(yōu)
嶺回歸正則項縮放系數(shù)alpha調(diào)整
- alphas =[0.01,0.1,1,10,20,50,100,300]
- test_scores = []
- for alp in alphas:
- clf = linear_model.Ridge(alp)
- test_score = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error')
- test_scores.append(np.mean(test_score))
- import matplotlib.pyplot as plt
- %matplotlib inline
- plt.plot(alphas,test_scores)
- plt.title('alpha vs test_score')
alpha在10-20附近均方誤差最小
隨機森林參數(shù)調(diào)優(yōu)
隨機森林算法，本篇中主要調(diào)整三個參數(shù)：maxfeatures,maxdepth,n_estimators
- #隨機森林的深度參數(shù)
- max_depth=[2,4,6,8,10]
- test_scores_depth = []
- for depth in max_depth:
- clf = RandomForestRegressor(max_depth=depth)
- test_score_depth = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error')
- test_scores_depth.append(np.mean(test_score_depth))
- #隨機森林的特征個數(shù)參數(shù)
- max_features =[.1, .3, .5, .7, .9, .99]
- test_scores_feature = []
- for feature in max_features:
- clf = RandomForestRegressor(max_features=feature)
- test_score_feature = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error')
- test_scores_feature.append(np.mean(test_score_feature))
- #隨機森林的估計器個位數(shù)參數(shù)
- n_estimators =[10,50,100,200,500]
- test_scores_n = []
- for n in n_estimators:
- clf = RandomForestRegressor(n_estimators=n)
- test_score_n = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error')
- test_scores_n.append(np.mean(test_score_n))
隨機森林的各項參數(shù)來看，深度位于8，選擇特征個數(shù)比例為0.5，估計器個數(shù)為500時，效果***。下面分別利用上述得到的***參數(shù)分別重新訓練，看一下學習曲線，過擬合現(xiàn)象是否得到緩解？
再回想一下，我們最初的基線模型學習曲線的形狀，是不是得到了一定程度的緩解？OK，下面我們采用模型融合技術(shù)，對數(shù)據(jù)進行預(yù)測。
- #預(yù)測
- ridge = linear_model.Ridge(alpha=10).fit(X,y)
- rf = RandomForestRegressor(n_estimators=500,max_depth=8,max_features=.5).fit(X,y)
- y_ridge = np.expm1(ridge.predict(test_df.values))
- y_rf = np.expm1(rf.predict(test_df.values))
- y_final = (y_ridge + y_rf)/2
本篇房價預(yù)測的模型搭建已經(jīng)完成。同樣，再梳理一邊思路：
一、本篇用到的房價數(shù)據(jù)集存在比較多的數(shù)據(jù)缺失，且分類變量十分多。在預(yù)處理階段需要將訓練集和測試集合并，進行缺失填充和one-hot獨熱變量處理，保證數(shù)據(jù)處理過程的一致性，在數(shù)據(jù)缺失填充過程中，需要綜合考慮特征的實際描述和數(shù)據(jù)的分布，選擇合適的填充方式填充；
二、為防止數(shù)據(jù)變量不統(tǒng)一帶來的模型準確率下降，將數(shù)值型特征進行標準化處理，數(shù)據(jù)處理完成后，按照數(shù)據(jù)合并的方式，再還原到訓練集和測試集；
三、先構(gòu)建嶺回歸和隨機森林基準模型，進行三折交叉驗證，繪制學習曲線，存在明顯的過擬合現(xiàn)象；
四、接下來分別對兩個基準模型進行參數(shù)調(diào)優(yōu)，獲得使得均方誤差最小的參數(shù)，返回到訓練集進行訓練；
五、采用并行模型融合的方式，計算兩個模型預(yù)測結(jié)果的均值作為測試集的預(yù)測結(jié)果。
網(wǎng)站標題：用Python研究了三千套房子，告訴你究竟是什么抬高了房價？
URL網(wǎng)址：http://www.dlmjj.cn/article/dhdesss.html
