zillow房价预测比赛_Kaggle入门级赛题:房价预测——数据挖掘篇

特征工程

我们注意到 MSSubClass 其实是一个 category 的值:

all_df['MSSubClass'].dtypes

有:

dtype('int64')

它不应该做为数值型的值进行统计。因此,进行强制类型转换,把它变回 string:

df['MSSubClass'] =df['MSSubClass'].astype(str)

然后,统计其出现频次:

all_df['MSSubClass'].value_counts()

就很清楚的了解 MSSubClass 特征了。

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。这里我们可以用 One-Hot 的方法来表达 category。

pandas 自带的get_dummies方法,可以做到一键 One-Hot:

pd.get_dummies(df['MSSubClass'], prefix='MSSubClass').head()

效果如下:

此时,MSSubClass 被我们分成了 12 列,每列代表一个 category,是为 1,否为 0。

所以,同理。接下来,我们需要把所有的 category 数据全部一键 One-Hot:

all_dummy_df = pd.get_dummies(df)

all_dummy_df.head()

此时,数据长这样子:

接下来,我们来处理 numerical 的数据。

首先查看 One-Hot 后的缺失值:

all_dummy_df.isnull().sum().sort_values(ascending=False).head(10)

我们需要对这些缺失值进行处理,这里采用平均值来填充空缺:

mean_cols = all_dummy_df.mean()

all_dummy_df = all_dummy_df.fillna(mean_cols)

再次查看是否有缺失值:

all_dummy_df.isnull().sum().sum()

显示为 0,即缺失值都已被填充。

到这里,我们经过以上步骤处理过的数据,就可以喂给分类器进行训练了。为了让数据更加规整化,数据间的差距不要太大,在一个标准分布内,也就是数据平滑化。我们对那些本来就是 numerical 的数据进行处理(与 One-Hot 的 0/1 数据不同)。

首先,我们来查看哪些是 numerical 的数据:

numeric_cols = df.columns[df.dtypes != 'object']

numeric_cols

采用公式(X-X')/s,计算标准分布:

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

得到的数据如下:

all_dummy_df.head()

以上就完成了对数据的处理。

建立模型

首先,把数据集分回训练集和测试集:

dummy_train_df = all_dummy_df.loc[train_df.index]

dummy_test_df = all_dummy_df.loc[test_df.index]

首先采用 Ridge Regression 模型,因为对于多因子的数据集,这种模型可以方便的把所有的变量都一股脑的放进去,我们先用这种模型做实验。

为了更好的使用 Sklearn,我在这里把 DataFrame 转化成 Numpy Array(这一步不是必须):

X_train = dummy_train_df.values

X_test = dummy_test_df.values

把数据放到模型里跑一遍,用 Sklearn 自带的 cross validation 方法来测试模型:

from sklearn.linear_model import Ridge

from sklearn.model_selection import cross_val_score

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,也就是我们常说的调参数:

plt.plot(alphas, test_scores)

plt.title("Alpha vs CV Error")

plt.xlabel("alpha")

plt.ylabel("CV Error")

可以看到,当 alpha 为 10 到 20 的时候,CV Error 达到最低 0.135 左右。也就是说大约 alpha = 15 的时候给了我们最好的结果。

一般来说,单个分类器的效果有限。我们会倾向于把多个分类器合在一起,做一个“综合分类器”以达到最好的效果。所以接下来我们要做的事就是 ensemble。

Ensemble 的方法有 Bagging 和 Boosting 两大类。Bagging 把很多的小分类器放在一起,每个训练随机的一部分数据,然后采用多数投票制把它们的最终结果综合起来。Boosting 比 Bagging 理论上更高级点,它也是揽来一把的分类器。但是把他们线性排列。下一个分类器把上一个分类器分类得不好的地方加上更高的权重,这样下一个分类器就能在这个部分学得更加“深刻”。下面我们分别来看一下。

Bagging

from sklearn.ensemble import BaggingRegressor

from sklearn.model_selection import cross_val_score

params = [1, 10, 15, 20, 25, 30, 40]

test_scores = []

for param in params:

clf = BaggingRegressor(n_estimators=param, base_estimator=ridge)

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))

plt.plot(params, test_scores)

plt.title("n_estimator vs CV Error")

可以看到,我们用 15 个小的 ridge 分类器就达到了 0.134 以下的效果。

Boosting

from sklearn.ensemble import AdaBoostRegressor

params = [10, 15, 20, 25, 30, 35, 40, 45, 50]

test_scores = []

for param in params:

clf = BaggingRegressor(n_estimators=param, base_estimator=ridge)

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))

plt.plot(params, test_scores)

plt.title("n_estimator vs CV Error");

20 个小的 ridge 分类器的效果,达到了 0.133。

最后,祭出 xgboost 大杀器:

from xgboost import XGBRegressor

params = [1,2,3,4,5,6]

test_scores = []

for param in params:

clf = XGBRegressor(max_depth=param)

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))

plt.plot(params, test_scores)

plt.title("max_depth vs CV Error")

我们看到,当参数为 5 的时候,效果接近 0.125!

提交结果

最后,我们将训练好的模型对数据进行训练:

xgb = XGBRegressor(max_depth=5)

xgb.fit(X_train, y_train)

y_xgb = np.expm1(xgb.predict(X_test))

submission_df = pd.DataFrame(data= {'Id' : test_df.index, 'SalePrice': y_xgb})

最终,我们输出的数据长这样子:

submission_df.head()

将它存为.csv文件:

submission_df.to_csv('submission_xgb.csv',index=False)

提交到 kaggle 平台的 Score 是 0.13942,排名在 50% 左右。整个过程没有对特征信息进行太多的处理,还有太多需要改进的地方。

后记

第一次完完整整的从头到尾自己做了一个比赛,还是有太多地方浅浅略过,确实,如果只是调参跑模型的话,应该不是难事,但是如何获得更好的效果,数据量大时现有的程序跑不动,需要改进算法等方面,还有太多值得学习的地方,因为这件事好像没有一个最优结果,只有更优的结果。

不足之处,欢迎指正。

你可能感兴趣的:(zillow房价预测比赛)