编程小白冲Kaggle每日打卡（14）--kaggle学堂：＜机器学习简介＞你的第一个机器学习模型

Kaggle官方课程链接：Your First Machine Learning Model

本专栏旨在Kaggle官方课程的汉化，让大家更方便地看懂。

Your First Machine Learning Model

建立你的第一个模型。好哇！

选择建模数据

你的数据集有太多的变量，你无法理解，甚至无法很好地打印出来。你如何将如此庞大的数据量缩减到你能理解的程度？

我们将从使用直觉选择几个变量开始。后续课程将向您展示自动确定变量优先级的统计技术。

要选择变量/列，我们需要看到数据集中所有列的列表。这是通过DataFrame的columns属性（下面的代码底线）完成的。

import pandas as pd

melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_data = pd.read_csv(melbourne_file_path) 
melbourne_data.columns

Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       'Date', 'Distance', 'Postcode', 'Bedroom2', 'Bathroom', 'Car',
       'Landsize', 'BuildingArea', 'YearBuilt', 'CouncilArea', 'Lattitude',
       'Longtitude', 'Regionname', 'Propertycount'],
      dtype='object')

# The Melbourne data has some missing values (some houses for which some variables weren't recorded.)
# We'll learn to handle missing values in a later tutorial.  
# Your Iowa data doesn't have missing values in the columns you use. 
# So we will take the simplest option for now, and drop houses from our data. 
# Don't worry about this much for now, though the code is:

# dropna drops missing values (think of na as "not available")
melbourne_data = melbourne_data.dropna(axis=0)

有很多方法可以选择数据的子集。Pandas课程更深入地介绍了这些，但我们现在将重点介绍两种方法。

点符号，我们用它来选择“预测目标”
使用列列表进行选择，我们用它来选择“功能”

选择预测目标

你可以用点符号提取一个变量。这一列存储在Series中，它大致类似于只有一列数据的DataFrame。

我们将使用点符号来选择要预测的列，称为预测目标。按照惯例，预测目标称为y。因此，我们需要在墨尔本数据中保存房价的代码是

y = melbourne_data.Price

选择“功能”

输入到我们模型中的列（后来用于进行预测）称为“特征”。在我们的例子中，这些列将用于确定房价。有时，您将使用除目标之外的所有列作为特征。其他时候，你会用更少的功能做得更好。

现在，我们将构建一个只有少数功能的模型。稍后，您将看到如何迭代和比较使用不同功能构建的模型。

我们通过在括号内提供列名列表来选择多个功能。该列表中的每个项目都应该是一个字符串（带引号）。

以下是一个示例：

melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']

按照惯例，这些数据被称为X。

X = melbourne_data[melbourne_features]

让我们快速回顾一下我们将使用描述法和头部法预测房价的数据，头部法显示了前几行。

X.describe()

Rooms	Bathroom	Landsize	Lattitude	Longtitude
count	6196.000000	6196.000000	6196.000000	6196.000000	6196.000000
mean	2.931407	1.576340	471.006940	-37.807904	144.990201
std	0.971079	0.711362	897.449881	0.075850	0.099165
min	1.000000	1.000000	0.000000	-38.164920	144.542370
25%	2.000000	1.000000	152.000000	-37.855438	144.926198
50%	3.000000	1.000000	373.000000	-37.802250	144.995800
75%	4.000000	2.000000	628.000000	-37.758200	145.052700
max	8.000000	8.000000	37000.000000	-37.457090	145.526350

X.head()

Rooms	Bathroom	Landsize	Lattitude	Longtitude
1	2	1.0	156.0	-37.8079	144.9934
2	3	2.0	134.0	-37.8093	144.9944
4	4	1.0	120.0	-37.8072	144.9941
6	3	2.0	245.0	-37.8024	144.9993
7	2	1.0	256.0	-37.8060	144.9954

 使用这些命令直观地检查数据是数据科学家工作的重要组成部分。您经常会在数据集中发现值得进一步检查的惊喜。

构建您的模型

您将使用scikit-learn库创建模型。在编码时，这个库被写成sklearn，正如您将在示例代码中看到的那样。Scikit-learn很容易成为对通常存储在DataFrames中的数据类型进行建模的最受欢迎的库。

构建和使用模型的步骤是：

定义：它将是什么类型的模型？决策树？其他类型的模型？还指定了模型类型的其他一些参数。
拟合：从提供的数据中捕获模式。这是建模的核心。
预测：听起来就是这样
评估：确定模型的预测有多准确。
下面是一个使用scikit-learn定义决策树模型并用特征和目标变量对其进行拟合的示例。

from sklearn.tree import DecisionTreeRegressor

# Define model. Specify a number for random_state to ensure same results each run
melbourne_model = DecisionTreeRegressor(random_state=1)

# Fit model
melbourne_model.fit(X, y)

DecisionTreeRegressor(random_state=1)

许多机器学习模型允许模型训练中存在一些随机性。为random_state指定一个数字可确保您在每次运行中获得相同的结果。这被认为是一种良好的做法。您可以使用任何数字，模型质量将不会有意义地取决于您选择的确切值。

我们现在有一个拟合模型，可以用来进行预测。

在实际操作中，你会希望对即将上市的新房进行预测，而不是对我们已经有价格的房子进行预测。但是，我们将对训练数据的前几行进行预测，看看预测函数是如何工作的。

print("Making predictions for the following 5 houses:")
print(X.head())
print("The predictions are")
print(melbourne_model.predict(X.head()))

Making predictions for the following 5 houses:
   Rooms  Bathroom  Landsize  Lattitude  Longtitude
1      2       1.0     156.0   -37.8079    144.9934
2      3       2.0     134.0   -37.8093    144.9944
4      4       1.0     120.0   -37.8072    144.9941
6      3       2.0     245.0   -37.8024    144.9993
7      2       1.0     256.0   -37.8060    144.9954
The predictions are
[1035000. 1465000. 1600000. 1876000. 1636000.]

Your Turn

在建模练习中自己试试