Skip to content

Kaggle 官方教程：机器学习入门3 你的第一个机器学习模型

原文：Intro to Machine Learning > Your First Machine Learning Model

译者：Leytton

协议：CC BY-NC-SA 4.0

PS：水平有限，欢迎交流指正（Leytton@126.com）

1、选择建模数据

原始数据集有太多的干扰变量，难以理解，甚至无法很好地打印出来。如何将这些数据处理为比较精简易懂呢？

我们先凭直觉选择几个变量。后面的课程将向你展示使用统计技术来自动优选变量。

选择变量/列前，我们先来看看数据集中有哪些列，使用DataFrame的columns属性来实现，代码如下：

import pandas as pd

melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_data = pd.read_csv(melbourne_file_path) 
melbourne_data.columns

输出结果：

Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       'Date', 'Distance', 'Postcode', 'Bedroom2', 'Bathroom', 'Car',
       'Landsize', 'BuildingArea', 'YearBuilt', 'CouncilArea', 'Lattitude',
       'Longtitude', 'Regionname', 'Propertycount'],
      dtype='object')
  • Melbourne 数据集有部分缺失(有些房子没有记录变量。)
  • 我们将在后面的教程中学习如何处理缺失值。
  • Iowa 数据没有缺失值。
  • 现在我们将采用最简单的方法，从数据中删除掉数据缺失的房屋。
  • 现在不要太担心这个，代码如下:
# dropna 删除有缺失的数据 (na可以看作是"not available")
melbourne_data = melbourne_data.dropna(axis=0)

有许多选择数据子集的方法，《Pandas微课程》将更深入地介绍这些内容，但目前我们将重点介绍两种方法。 There are many ways to select a subset of your data. The Pandas Micro-Course covers these in more depth, but we will focus on two approaches for now.

  1. 点符号，用来选择"预测目标"；
  2. 列数组, 用来选择“特性”。

2、选择预测目标

你可以用点符号来获取一个变量。这个单列存储在一个系列中，与只有单列数据的DataFrame非常类似。

我们将使用点符号来选择要预测的列，这称为预测目标。按照惯例，预测目标我们记为y，将房价保存到y变量的代码为：

y = melbourne_data.Price

3、选择特征值

输入到模型中的数据列(稍后用于进行预测)称为“特性”。在我们的例子中，这些数据列是用来确定房价。有时，你将使用除预测目标之外的所有数据列作为特性。但有时候，剔除无效的特征，预测效果会更好。

现在，我们将构建一个只包含几个特性的模型。稍后你将看到如何迭代和比较这些使用不同特性构建的模型。 我们通过在括号内提供列名列表来选择多个特性。列表中的每一项都应该是一个字符串(带引号)。

在数据集中提取多个特征列的代码如下（列名称应该是字符串类型）：

melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']

按照惯例，这个数据称为X。

X = melbourne_data[melbourne_features]

我们快速地用describe方法与head方法，来查看数据概览：

X.describe()

输出结果：

在这里插入图片描述

X.head()

输出结果：

在这里插入图片描述

使用这些命令可视化地检查数据是数据科学家工作的一个重要部分，你会经常在其中发现值得进一步研究的惊喜。

4、构建模型

你将使用scikit-learn库创建模型。编写代码时，这个库被编写为sklearn，你将在示例代码中看到。Scikit-learn 很容易将处理存储在DataFrames中的数据进行建模，是最流行的库。

建立和使用模型的步骤如下：

定义: 它将是什么类型的模型？一个决策树吗？还是其他类型的模型？也指定了模型类型的一些参数。 拟合:从提供的数据中捕获模式，这是建模的核心。 预测:表面意思，这个就不说了 评估:确定模型的预测有多准确。

下面是一个用scikit-learn定义一个决策树模型，并用特性和目标变量进行拟合的例子：

from sklearn.tree import DecisionTreeRegressor

# 定义模型. 指定一个参数random_state确保每次运行结果一致
melbourne_model = DecisionTreeRegressor(random_state=1)

# 拟合模型
melbourne_model.fit(X, y)

输出结果：

DecisionTreeRegressor(criterion='mse', max_depth=None, max_features=None,
                      max_leaf_nodes=None, min_impurity_decrease=0.0,
                      min_impurity_split=None, min_samples_leaf=1,
                      min_samples_split=2, min_weight_fraction_leaf=0.0,
                      presort=False, random_state=1, splitter='best')

许多机器学习模型在模型训练中允许一定的随机性。为random_state指定一个数字可以确保每次运行得到相同的结果。这被认为是一种很好的做法。你使用任何数字，而模型的质量并不完全取决于你所选择的值。

我们现在有了一个拟合的模型，可以用来进行预测。

在实践中，你会想要预测即将上市的新房子，而不是我们已经有价格的房子。但我们将对训练数据的前几行进行预测，以了解predict函数是如何工作的。

print("Making predictions for the following 5 houses:")
print(X.head())
print("The predictions are")
print(melbourne_model.predict(X.head()))

输出结果：

Making predictions for the following 5 houses:
   Rooms  Bathroom  Landsize  Lattitude  Longtitude
1      2       1.0     156.0   -37.8079    144.9934
2      3       2.0     134.0   -37.8093    144.9944
4      4       1.0     120.0   -37.8072    144.9941
6      3       2.0     245.0   -37.8024    144.9993
7      2       1.0     256.0   -37.8060    144.9954
The predictions are
[1035000. 1465000. 1600000. 1876000. 1636000.]

5、去吧，皮卡丘

在模型构建练习中自己尝试一下~

回到顶部