Kaggle - House price 数据处理
Kaggle: House Prices: Advanced Regression Techniques
1,读取数据: 使用pd.read_csv()导入 train_df, test_df数据
2,合并数据:
- label: 使用log1p平滑处理train_df中的label得到[y_train] -> 最后需要用expm1() 变回来
- 提取label: 使用np.pop取出label后期导入模型中测试使用,切记:千万不要动test_df测试数据
- 合并train&test: 使用np.concat合并train_df, test_df得到[all_df],一会预处理使用
3,处理数据中变量:
- 最好不用数字作为标签划分数据,出现歧义: int -> string -> One-hot编码(.get_dummies)->all_df也采用One-hot,列从79列变为303列,得到[all_dummy_df]
- 处理缺失值,这里用平均值代替,看情况处理:.isnull().sum().sort_values(ascending=False) -> .mean() -> .fillna(mean值)
- 标准化数据,看情况使用, 这里对非one-hot列处理, all_df.dtypes != 'object' -> 数值-平均值/方差 -> ok
4, 建立模型:
- Ridge Regression: 导入Ridge & cross_val_score -> 分别获取训练集dummy_train_df & 测试集dummy_test_df,
- 采用多组alpha测试: 使用np.logspace -> 循环调用不同的alpha,得到测试分数,画图 (neg_mean_squared_error) -> 得到error最小的地方
- Random Forest: 导入RandomForestRegressor -> 循环不同max_features, 得到测试分数,画图(neg_mean_squared_error) -> 得到最小的error地方
5,组合模型:
- 使用最好的参数,建立两种模型 ridge & RandomFroestRegressor
- 用两种模型训练,输入数据.fit(X_train, y_train)
- 输入测试数据X_test,得到两组预测结果 -> 这里简单求平均 -> y_final
6,提交结果
- data = pd.DataFrame({'id': test_df.index, 'SalePrice':y_final})
代码如下:
0,导入常用包
import numpy as np import pandas as pd import os import matplotlib.pyplot as plt
f = '/Users/a1/Desktop/算法实战/house_price_predict/' os.chdir(f)
1,读取数据
train_df = pd.read_csv('train.csv', index_col=0) test_df = pd.read_csv('test.csv', index_col=0) train_df.shape train_df.head()
2,合并数据
# 1) 取出SalePrice, label本身并不平滑,我们先让label平滑(正态化),最后记得变回来expm1() %matplotlib inline prices = pd.DataFrame({"price":train_df["SalePrice"], "Log(price+1)":np.log1p(train_df["SalePrice"])}) prices.hist()
#把train中的y取出来,用pop y_train = np.log1p(train_df.pop('SalePrice'))
# 2)把剩下的部分合起来 #pandas.concat:http://pandas.pydata.org/pandas-docs/stable/generated/pandas.concat.html#pandas.concat all_df = pd.concat((train_df, test_df), axis=0)
all_df.shape y_train.head()
3,变量转化
# 1) 首先,我们注意到,*MSSubClass* 的值其实应该是一个category, #但是Pandas是不会懂这些事儿的。使用DF的时候,这类数字符号会被默认记成数字。这种东西就很有误导性,我们需要把它变回成*string* #MSSubClass 本来应为属性,不是int值,查看值的属性 all_df['MSSubClass'].dtypes #把int格式转换为str格式 -> 然后采用One-hot进行分类去除数字分类的影响 all_df['MSSubClass'] = all_df['MSSubClass'].astype(str) #all_df['MSSubClass'].dtypes #转换后,统计以下,value_counts() all_df['MSSubClass'].value_counts()
# 2) 当用数字进行分类时候,数字大小会带来歧义,采用One-Hot方法 #当我们用numerical来表达categorical的时候,要注意,数字本身有大小的含义,所以乱用数字会给之后的模型学习带来麻烦。于是我们可以用One-Hot的方法来表达category。pandas自带的get_dummies方法,可以帮你一键做到One-Hot。 #https://blog.csdn.net/lanchunhui/article/details/72870358, One-Hot #此刻*MSSubClass*被我们分成了12个column,每一个代表一个category。是就是1,不是就是0。 pd.get_dummies(all_df['MSSubClass'], prefix='MSSubClass').head() # 3) 把所有的category数据,都给One-Hot all_dummy_df = pd.get_dummies(all_df) all_dummy_df.head()
# 4) 处理好numerical变量,就算是numerical的变量,也还会有一些小问题。比如,有一些数据是缺失的: all_dummy_df.isnull().sum().sort_values(ascending=False).head(10)
# 5) 标准化数据, 这一步并不是必要,但是得看你想要用的分类器是什么。一般来说,regression的分类器都比较傲娇,最好是把源数据给放在一个标准分布内。不要让数据间的差距太大。 #这一步并不是必要,但是得看你想要用的分类器是什么。一般来说,regression的分类器都比较傲娇,最好是把源数据给放在一个标准分布内。不要让数据间的差距太大。 #这里,我们当然不需要把One-Hot的那些0/1数据给标准化。我们的目标应该是那些本来就是numerical的数据:先来看看 哪些是numerical的: numeric_cols = all_df.columns[all_df.dtypes != 'object'] #打印出所有数字列,就是不等于‘object’类型 numeric_cols numeric_col_mean = all_dummy_df.loc[:, numeric_cols].mean() #取所有数字列的平均值 numeric_col_std = all_dummy_df.loc[:, numeric_cols].std() #取所有数字列的方差 all_dummy_df.loc[:, numeric_cols] = (all_dummy_df.loc[:, numeric_cols] - numeric_col_mean)/numeric_col_std #每个数字减去均值,再除以方差 all_dummy_df.head()
# 6) 处理这些缺失的信息,得靠好好审题。一般来说,数据集的描述里会写的很清楚,这些缺失都代表着什么。当然,如果实在没有的话,也只能靠自己的『想当然』。。在这里,我们用平均值来填满这些空缺。mean_cols = all_dummy_df.mean()mean_cols.head(20)all_dummy_df = all_dummy_df.fillna(mean_cols)#填充完成后,看看有没有空缺值了all_dummy_df.isnull().sum().sum()
4,建立模型
#1 把数据集分为 训练/测试集 dummy_train_df = all_dummy_df.loc[train_df.index] dummy_test_df = all_dummy_df.loc[test_df.index] print(dummy_train_df.shape) print(dummy_test_df.shape)
# Ridge from sklearn.linear_model import Ridge from sklearn.model_selection import cross_val_score #这一步不是很有必要,把DF转换为Numpy, 配合sklearn X_train = dummy_train_df.values X_test = dummy_test_df.values #https://docs.scipy.org/doc/numpy/reference/generated/numpy.logspace.html #用sklearn自带的cross validation方法测试 alphas = np.logspace(-3, 2, 50) test_scores = [] for alpha in alphas: clf = Ridge(alpha) test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=10, scoring='neg_mean_squared_error')) test_scores.append(np.mean(test_score)) #画图 import matplotlib.pyplot as plt %matplotlib inline plt.plot(alphas, test_scores) plt.title("Alpha vs CV Error");
可见,大概alpha=10~20的时候,可以把score达到0.135左右。
#Random Forest from sklearn.ensemble import RandomForestRegressor max_features = [.1, .3, .5, .7, .9, .99] text_scores=[] for max_feat in max_features: clf = RandomForestRegressor(n_estimators=200, max_features=max_feat) test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=5, scoring='neg_mean_squared_error')) test_scores.append(np.mean(test_score)) plt.plot(max_features, test_scores[0:6]) plt.title("Max Features vs CV Error"); #注意这里有一个报错 #ValueError: x and y must have same first dimension, but have shapes (6,) and (12,) #plt.plot(max_features, test_scores[6:12]) #plt.title("Max Feature vs CV Error");
用RF的最优值达到了0.137
5,Ensemble (集成模型)
#这里我们用一个Stacking的思维来汲取两种或者多种模型的优点 #首先,我们把最好的parameter拿出来,做成我们最 终的model #把刚才的模型最好的参数,代入,新建最好的模型是什么 ridge = Ridge(alpha=15) rf = RandomForestRegressor(n_estimators=500, max_features=.3) ridge.fit(X_train, y_train) rf.fit(X_train, y_train) #上面提到了,因为最前面我们给label做了个log(1+x), 于是这里我们需要把predit的值给exp回去,并且减掉那个"1",所以就是我们的expm1()函数
#这个时候才开始用X_test用来最后使用 y_ridge = np.expm1(ridge.predict(X_test)) y_rf = np.expm1(rf.predict(X_test)) #一个正经的Ensemble是把这群model的预测结果作为新的input,再做一次预测这里我们简单的方法,就是直接『平均化』。 y_final = (y_ridge + y_rf)/2 X_test.shape # 看一下这个test的结构,因为知道test,最终都是药预测房屋价格的
6,提交结果
data = pd.DataFrame({'Id': test_df.index, 'SalePrice':y_final}) data.head() ##另一种写法 #pd.DataFrame(data = {'ID': test_df.index, 'SalePrice':y_final}).head()
#注意加上.csv z = 'Users/a1/Desktop/算法实战/house_price_predict' data.to_csv('z.csv', index=False)