堪称经典，一个非常适合初学者的机器学习实战案例

大家好，今天我给大家介绍一个非常适合新手的机器学习实战案例。

这是一个房价预测的案例，来源于 Kaggle 网站，是很多算法初学者的第一道竞赛题目。

该案例有着解机器学习问题的完整流程，包含EDA、特征工程、模型训练、模型融合等。

房价预测流程

下面跟着我，来学习一下该案例。

没有啰嗦的文字，没有多余的代码，只有通俗的讲解。

1. EDA

探索性数据分析(Exploratory Data Analysis，简称EDA) 的目的是让我们对数据集有充分的了解。在这一步，我们探索的内容如下：

EDA内容

1.1 输入数据集

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

训练样本

train

和

test

分别是训练集和测试集，分别有 1460 个样本，80 个特征。

SalePrice

列代表房价，是我们要预测的。

1.2 房价分布

因为我们任务是预测房价，所以在数据集中核心要关注的就是房价（

SalePrice

) 一列的取值分布。

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

房价取值分布

从图上可以看出，

SalePrice

列峰值比较陡，并且峰值向左偏。

也可以直接调用

skew()

和

kurt()

函数计算

SalePrice

具体的偏度和峰度值。

对于偏度和峰度都比较大的情况，建议对

SalePrice

列取

log()

进行平滑。

1.3 与房价相关的特征

了解完

SalePrice

的分布后，我们可以计算 80 个特征与

SalePrice

的相关关系。

重点关注与

SalePrice

相关性最强的 10 个特征。

# 计算列之间相关性
corrmat = train.corr()# 取 top10
k =10
cols = corrmat.nlargest(k,'SalePrice')['SalePrice'].index

# 绘图
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()

与SalePrice高度相关的特征

OverallQual

（房子材料和装饰）、

GrLivArea

（地上居住面积）、

GarageCars

（车库容量）和

TotalBsmtSF

（地下室面积）跟

SalePrice

有很强的相关性。

这些特征在后面做特征工程时也会重点关注。

1.4 剔除离群样本

由于数据集样本量很少，离群点不利于我们后面训练模型。

所以需要计算每个数值特性的离群点，剔除掉离群次数最多的样本。

# 获取数值型特征
numeric_features = train.dtypes[train.dtypes !='object'].index

# 计算每个特征的离群样本for feature in numeric_features:
    outs = detect_outliers(train[feature], train['SalePrice'],top=5, plot=False)
    all_outliers.extend(outs)# 输出离群次数最多的样本print(Counter(all_outliers).most_common())# 剔除离群样本
train = train.drop(train.index[outliers])

detect_outliers()

是自定义函数，用

sklearn

库的

LocalOutlierFactor

算法计算离群点。

到这里， EDA 就完成了。最后，将训练集和测试集合并，进行下面的特征工程。

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

合并了训练集和测试集的特征，是我们下面要处理的数据。

2. 特征工程

特征工程

2.1 校正特征类型

MSSubClass

（房屋类型）、

YrSold

（销售年份）和

MoSold

（销售月份）是类别型特征，只不过用数字来表示，需要将它们转成文本特征。

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

填充缺失值没有统一的标准，需要根据不同的特征来决定按照什么样的方式来填充。

# Functional：文档提供了典型值 Typ
features['Functional']= features['Functional'].fillna('Typ')#Typ 是典型值# 分组填充需要按照相似的特征分组，取众数或中位数# MSZoning（房屋区域）按照 MSSubClass（房屋）类型分组填充众数
features['MSZoning']= features.groupby('MSSubClass')['MSZoning'].transform(lambda x: x.fillna(x.mode()[0]))#LotFrontage（到接到举例）按Neighborhood分组填充中位数
features['LotFrontage']= features.groupby('Neighborhood')['LotFrontage'].transform(lambda x: x.fillna(x.median()))# 车库相关的数值型特征，空代表无，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

列类似，对偏度高的特征进行平滑。

# skew()方法，计算特征的偏度（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

# 处理高偏度特征，将其转化为正态分布，也可以使用简单的log变换for i in skew_index:
    features[i]= boxcox1p(features[i], boxcox_normmax(features[i]+1))

2.4 特征删除和新增

对于几乎都是缺失值，或单一取值占比高（99.94%）的特征可以直接删除。

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

同时，可以融合多个特征，生成新特征。

有时候模型很难学习到特征之间的关系，手动融合特征可以降低模型学习难度，提升效果。

# 将原施工日期和改造日期融合
features['YrBltAndRemod']=features['YearBuilt']+features['YearRemodAdd']# 将地下室面积、1楼、2楼面积融合
features['TotalSF']=features['TotalBsmtSF']+ features['1stFlrSF']+ features['2ndFlrSF']

可以发现，我们融合的特征都是与

SalePrice

强相关的特征。

最后简化特征，对分布单调的特征（如：100个数据中有99个的数值是0.9，另1个是0.1），进行01处理。

features['haspool']= features['PoolArea'].apply(lambda x:1if x >0else0)

features['has2ndfloor']= features['2ndFlrSF'].apply(lambda x:1if x >0else0)

2.6 生成最终训练数据

到这里特征工程就做完了， 我们需要从

features

中将训练集和测试集重新分离出来，构造最终的训练数据。

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. 模型训练

因为

SalePrice

是数值型且是连续的，所以需要训练一个回归模型。

3.1 单一模型

首先以岭回归（Ridge） 为例，构造一个k折交叉验证模型。

from sklearn.linear_model import RidgeCV
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import KFold

kfolds = 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))

岭回归模型有一个超参数

alpha

，而

RidgeCV

的参数名是

alphas

，代表输入一个超参数

alpha

数组。在拟合模型时，会从

alpha

数组中选择表现较好某个取值。

由于现在只有一个模型，无法确定岭回归是不是最佳模型。所以我们可以找一些出场率高的模型多试试。

# 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（展开到一阶导数）
gbr = GradientBoostingRegressor(...)#lightgbm
lightgbm = LGBMRegressor(...)#xgboost（展开到二阶导数）
xgboost = XGBRegressor(...)

有了多个模型，我们可以再定义一个得分函数，对模型评分。

#模型评分函数defcv_rmse(model, X=X):
    rmse = np.sqrt(-cross_val_score(model, X, y, scoring="neg_mean_squared_error", cv=kfolds))return(rmse)

以岭回归为例，计算模型得分。

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

运行其他模型发现得分都差不多。

这时候我们可以任选一个模型，拟合，预测，提交训练结果。还是以岭回归为例

# 训练模型
ridge.fit(X, y)# 模型预测
submission.iloc[:,1]= np.floor(np.expm1(ridge.predict(X_sub)))# 输出测试结果
submission = pd.read_csv("./data/sample_submission.csv")
submission.to_csv("submission_single.csv", index=False)

submission_single.csv

是岭回归预测的房价，我们可以把这个结果上传到 Kaggle 网站查看结果的得分和排名。

3.2 模型融合-stacking

有时候为了发挥多个模型的作用，我们会将多个模型融合，这种方式又被称为集成学习。

stacking 是一种常见的集成学习方法。简单来说，它会定义个元模型，其他模型的输出作为元模型的输入特征，元模型的输出将作为最终的预测结果。

stacking

这里，我们用

mlextend

库中的

StackingCVRegressor

模块，对模型做stacking。

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

训练、预测的过程与上面一样，这里不再赘述。

3.3 模型融合-线性融合

多模型线性融合的思想很简单，给每个模型分配一个权重（权重加和=1），最终的预测结果取各模型的加权平均值。

# 训练单个模型
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
]# 分配模型权重
public_coefs =[0.1,0.1,0.1,0.1,0.15,0.1,0.1,0.25]# 线性融合，取加权平均deflinear_blend_models_predict(data_x,models,coefs, bias):
    tmp=[model.predict(data_x)for model in models]
    tmp =[c*d for c,d inzip(coefs,tmp)]
    pres=np.array(tmp).swapaxes(0,1) 
    pres=np.sum(pres,axis=1)return pres

到这里，房价预测的案例我们就讲解完了，大家可以自己运行一下，看看不同方式训练出来的模型效果。

回顾整个案例会发现，我们在数据预处理和特征工程上花费了很大心思，虽然机器学习问题模型原理比较难学，但实际过程中往往特征工程花费的心思最多。

获取方式

今天讲解代码、数据、脑图在公众号：Python学习与数据挖掘，上获取。

在公众号后台回复： 房价预测 ，即可获取。

推荐文章

• 有人把吴恩达老师的机器学习和深度学习做成了中文版
• 上瘾了，最近又给公司撸了一个可视化大屏(附源码)
• 如此优雅，4款 Python 自动数据分析神器真香啊
• 梳理半月有余，精心准备了17张知识思维导图，这次要讲清统计学
• 年终汇总：20份可视化大屏模板，直接套用真香(文末附源码)