案例：房价预测模型

案例目标：根据房子特征，预测某房房价，选出最优模型。

主要步骤：

1. 数据清洗。数据分类，缺失值和异常值处理。

2. 特征分析。统计量分析和相关性分析。

3. 特征工程。特征选择和特征融合。

4. 模型构建。特征标准化，交叉验证，GBoost和Xgboost。

5. 模型评价。

1. 数据清洗

1.1数据分类。除SalePrice，所有数据按照数值类型(numerical)和类别类型（category）分类。

 1.2 缺失值处理

整合缺失值信息。

 删除缺失值超过15%的特征，根据具体含义，对部分类别型数据缺失值用众数填充。

 根据具体含义，对部分数值型和类别型数据缺失值用‘None’填充。

1.3 异常值处理

删除与均值之差的绝对值大于三倍标准差的异常值。

 2. 特征分析

2.1 统计量分析

查看‘SalePrice’的统计量，并可视化展示其数值分布情况。

 计算偏度峰度

2.2 相关性分析

 计算所有数值型特征与房价的相关系数，并筛选出相关性大于0.5的k个特征，计算这k个特征的相关系数，并可视化表示。

对面积特征画多变量图 

 对角线上是各个变量的直方图，而非对角线上是两个不同变量之间的相关图。

  由多变量图，剔除4个特征的异常值。

 计算4个面积特征的偏度峰度。

对于非线性特征，用直方图展示不同月份房子销量。

 计算各个特征的p值。

 3. 特征工程。

3.1 特征选择

整合重要数值型特征数据

 3.2 特征融合

构建总面积特征，并画出回归图。

  根据回归图，剔除异常值。

继续融合特征，并对所有的类别型特征one-hot编码。

 4. 模型构建

4.1 定义验证函数

特征标准化，定义验证函数为5折交叉验证。

4.2 模型构建

构建GBoost模型和Xgboost模型。

4.3   划分样本

 5. 模型评价

5.1 定义回归拟合图

 5.2 对比评价 

GBoost模型的均方根误差RMSE更小，拟合优度R2_test更大，故选择GBoost模型进行房价预测更合适。