kaggle实战_4解决高维数据分类/回归问题--房价预测

Note:由房价预测例子的学到，用Stacking的思维来汲取两种或者多种模型的优点

ipython的代码和数据集在我的GitHub中，链接在下面，下面的代码是在pycharm里运行的，差别不大。

#Step 1: 检视源数据集
import numpy as np
import pandas as pd
from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestRegressor
import matplotlib.pyplot as plt
# 一般来说源数据的index那一栏没什么用，我们可以用来作为我们pandas dataframe的index。这样之后要是检索起来也省事儿。
train_df = pd.read_csv('house price/input/train.csv', index_col=0)
test_df = pd.read_csv('house price/input/test.csv', index_col=0)
print(train_df.head())
#输出看一下，这时候大概心里可以有数，哪些地方需要人为的处理一下，以做到源数据更加好被process。

# Step 2: 合并数据
# 这么做主要是为了用DF进行数据预处理的时候更加方便。等所有的需要的预处理进行完之后，我们再把他们分隔开。
# 首先，SalePrice作为我们的训练目标，只会出现在训练集中，不会在测试集中（要不然你测试什么？）。所以，我们先把SalePrice这一列给拿出来，不让它碍事儿。
# 我们先看一下SalePrice长什么样纸：
prices = pd.DataFrame({"price":train_df["SalePrice"], "log(price + 1)":np.log1p(train_df["SalePrice"])})
# prices.hist()
# plt.show()#%matplotlib inline 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()这一步。
# 可见，label本身并不平滑。为了我们分类器的学习更加准确，我们会首先把label给“平滑化”（正态化）
# 这一步很多人会miss掉，导致自己的结果总是达不到一定标准。
# 这里我们使用最有逼格的log1p, 也就是 log(x+1)，避免了复值的问题。
# 记住哟，如果我们这里把数据都给平滑化了，那么最后算结果的时候，要记得把预测到的平滑数据给变回去。
# 按照“怎么来的怎么去”原则，log1p()就需要expm1(); 同理，log()就需要exp(), ... etc.
y_train = np.log1p(train_df.pop('SalePrice'))
all_df = pd.concat((train_df, test_df), axis=0)#然后我们把剩下的部分合并起来
print(all_df.shape)#all_df就是我们合在一起的DF
print(y_train.head())#而y_train则是SalePrice那一列经过运算后的

# Step 3: 变量转化
# 类似『特征工程』。就是把不方便处理或者不unify的数据给统一了。
# 正确化变量属性
# 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
# print(all_df['MSSubClass'].dtypes)#默认记成数字
all_df['MSSubClass'] = all_df['MSSubClass'].astype(str)#转成string
# print(all_df['MSSubClass'].value_counts())
# 把category的变量转变成numerical表达形式
# 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。
# print(pd.get_dummies(all_df['MSSubClass'], prefix='MSSubClass').head())
# 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。
# 同理，我们把所有的category数据，都给One-Hot了
all_dummy_df = pd.get_dummies(all_df)
print(all_dummy_df.head())
# 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：
# print(all_dummy_df.isnull().sum().sort_values(ascending=False).head(10))#可以看到，缺失最多的column是LotFrontage

# 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()
# print(mean_cols.head(10))
all_dummy_df = all_dummy_df.fillna(mean_cols)#再次查看有没有缺失值
print(all_dummy_df.isnull().sum().sum())#输出0

# 标准化numerical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']
# print(numeric_cols)

# 计算标准分布：(X-X')/s
#
# 让我们的数据点更平滑，更便于计算。
#
# 注意：我们这里也是可以继续使用Log的，我只是给大家展示一下多种“使数据平滑”的办法。
numeric_col_means = all_dummy_df.loc[:, numeric_cols].mean()
numeric_col_std = all_dummy_df.loc[:, numeric_cols].std()
all_dummy_df.loc[:, numeric_cols] = (all_dummy_df.loc[:, numeric_cols] - numeric_col_means) / numeric_col_std

# Step 4: 建立模型
# 把数据集分回 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, dummy_test_df.shape)#看看训练集和测试集的大小

# Ridge Regression
# 用Ridge Regression模型来跑一遍看看。（对于多因子的数据集，这种模型可以方便的把所有的var都无脑的放进去）
X_train = dummy_train_df.values
X_test = dummy_test_df.values#这一步不是很必要，只是把DF转化成Numpy Array，这跟Sklearn更加配
# 用Sklearn自带的cross validation方法来测试模型
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))
# 存下所有的CV值，看看哪个alpha值更好（也就是『调参数』）
# plt.plot(alphas, test_scores)
# plt.title("Alpha vs CV Error")
# plt.show()#可见，大概alpha=10~20的时候，可以把score达到0.135左右

# Random Forest
max_features = [.1, .3, .5, .7, .9, .99]
test_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)
# plt.title("Max Features vs CV Error")
# plt.show()#用RF的最优值达到了0.137左右

# Step 5: Ensemble
# 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
ridge = Ridge(alpha=15)
rf = RandomForestRegressor(n_estimators=500, max_features=.3)
ridge.fit(X_train, y_train)
rf.fit(X_train, y_train)
# print(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。
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

# Step 6: 提交结果
submission_df = pd.DataFrame(data= {'Id' : test_df.index, 'SalePrice': y_final})
print(submission_df.head(10))