机器学习入门项目分享 - 波士顿房价预测

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：

RM: 住宅平均房间数量；

LSTAT: 区域中被认为是低收入阶层的比率；

PTRATIO: 镇上学生与教师数量比例；

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：

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；

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)；

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；

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

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么)，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：

from sklearn.model_selection import KFold,GridSearchCV

from sklearn.tree import DecisionTreeRegressor

from sklearn.metrics import make_scorer

def fit_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

return grid.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效果最好；

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，最佳参数在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；

项目链接

通篇浏览可以通过nbviewer来看；

项目源文件、数据集文件可以通过GitHub波士顿项目获取，欢迎Follow、Fork、Star；

最后

大家可以到我的Github上看看有没有其他需要的东西，目前主要是自己做的机器学习项目、Python各种脚本工具、数据分析挖掘项目以及Follow的大佬、Fork的项目等：https://github.com/NemoHoHaloAi