纽约出租车费预测——简单线性模型

最近在学习数据分析，所以在数据分析的圣坛Kaggle找了一些新手案例练习，记录以备后续回顾，如果能帮助他人，再好不过。
（1）问题描述&问题定义
基于乘客上车地点信息（经度，纬度）和乘客下车地点信息，预测出租车票价；
简单考虑，出租车的票价与乘坐的里程成线性关系，即里程越大，票价越高，可以考虑使用简单线性模型。
问题的另一个特点是数据量很大，可以考虑使用其中一部分数据，也可以考虑使用适合大数据量的算法。
该问题研究的是一个简单的回归问题，基于历史乘坐里程和票价数据，预测当前里程下的票价。
此类问题模型可用于房价预测，旅游景点人数预测等。

（2）准备数据
1）导入原始数据
由于这里采用简单的线性回归模型，不适宜大数据量的数据，所以这里只使用原始数据集上的一部分数据，取前1000000条数据作为原始的训练数据。

2） 数据预处理，包括剔除缺失数据和异常数据
缺失数据值的数据样本不具备参考性，故剔除
从实际来说，一个城市的大小是有限的，所以上车地点和下车地点之间的距离应该合理。

（3）训练模型

1.jpg

（4）总结
该问题用简单线性模型，基于训练数据和测试数据，实现了对测试数据的出租车票价预测。
可以考虑采用非线性模型，增加数据量，特征矩阵的选择，等方面提高预测的精度。