[[217972]]

關(guān)于房價(jià)，一直都是全民熱議的話題，畢竟不少人終其一生都在為之奮斗。

房地產(chǎn)的泡沫究竟有多大不得而知？今天我們拋開泡沫，回歸房屋最本質(zhì)的內(nèi)容，來分析一下房價(jià)的影響因素究竟是什么？

1、導(dǎo)入數(shù)據(jù)

import numpy as np 
 
import pandas as pd 
 
import matplotlib.pyplot as plt 
 
import seaborn as sn 
 
import missingno as msno 
 
%matplotlib inline 
 
train = pd.read_csv('train.csv',index_col=0)  
 
#導(dǎo)入訓(xùn)練集 
 
test = pd.read_csv('test.csv',index_col=0)  
 
#導(dǎo)入測試集 
 
train.head(3) 
 
print('train訓(xùn)練集缺失數(shù)據(jù)分布圖') 
 
msno.matrix(train) 
 
print('test測試集缺失數(shù)據(jù)分布圖') 
 
msno.matrix(test) 

從上面的數(shù)據(jù)缺失可視化圖中可以看出，部分特征的數(shù)據(jù)缺失十分嚴(yán)重，下面我們來對特征的缺失數(shù)量進(jìn)行統(tǒng)計(jì)。

2、目標(biāo)Y值分析 

##分割Y和X數(shù)據(jù) 
 
y=train['SalePrice'] 
 
#看一下y的值分布 
 
prices = pd.DataFrame({'price':y,'log(price+1)':np.log1p(y)}) 
 
prices.hist() 

觀察目標(biāo)變量y的分布和取對數(shù)后的分布看，取完對數(shù)后更傾向于符合正太分布，故我們對y進(jìn)行對數(shù)轉(zhuǎn)化。 

y = np.log1p(y) #+1的目的是防止對數(shù)轉(zhuǎn)化后的值無意義 

3、合并數(shù)據(jù) 缺失處理 

#合并訓(xùn)練特征和測試集 
 
all_df = pd.concat((X,test),axis=0) 
 
print('all_df缺失數(shù)據(jù)圖') 
 
msno.matrix(all_df) 
 
#定義缺失統(tǒng)計(jì)函數(shù) 
 
def show_missing(feature): 
 
    missing = feature.columns[feature.isnull().any()].tolist()     
 
    return  missing 
 
print('缺失特征的數(shù)據(jù)缺失量統(tǒng)計(jì)：') 
 
all_df[show_missing(all_df)].isnull().sum() 
 
#先處理numeric數(shù)值型數(shù)據(jù) 
 
#挨個(gè)兒看一下分布 
 
fig,axs = plt.subplots(3,2,figsize=(16,9)) 
 
all_df['BsmtFinSF1'].hist(ax = axs[0,0])#眾數(shù)填充 
 
all_df['BsmtFinSF2'].hist(ax = axs[0,1])#眾數(shù) 
 
all_df['BsmtUnfSF'].hist(ax =  axs[1,0])#中位數(shù) 
 
all_df['TotalBsmtSF'].hist(ax = axs[1,1])#均值填充 
 
all_df['BsmtFullBath'].hist(ax = axs[2,0])#眾數(shù) 
 
all_df['BsmtHalfBath'].hist(ax = axs[2,1])#眾數(shù) 
 
#lotfrontage用均值填充 
 
mean_lotfrontage = all_df.LotFrontage.mean() 
 
all_df.LotFrontage.hist() 
 
print('用均值填充:') 
 
cat_input(all_df,'LotFrontage',mean_lotfrontage) 
 
cat_input(all_df,'BsmtFinSF1',0.0) 
 
cat_input(all_df,'BsmtFinSF2',0.0) 
 
cat_input(all_df,'BsmtFullBath',0.0) 
 
cat_input(all_df,'BsmtHalfBath',0.0) 
 
cat_input(all_df,'BsmtUnfSF',467.00) 
 
cat_input(all_df,'TotalBsmtSF',1051.78) 
 
#在處理字符型，同樣，挨個(gè)看下分布 
 
fig,axs = plt.subplots(4,2,figsize=(16,9)) 
 
all_df['MSZoning'].hist(ax = axs[0,0])#眾數(shù)填充 
 
all_df['Utilities'].hist(ax = axs[0,1])#眾數(shù) 
 
all_df['Exterior1st'].hist(ax =  axs[1,0])#眾數(shù) 
 
all_df['Exterior2nd'].hist(ax = axs[1,1])#眾數(shù)填充 
 
all_df['KitchenQual'].hist(ax = axs[2,0])#眾數(shù) 
 
all_df['Functional'].hist(ax = axs[2,1])#眾數(shù) 
 
all_df['SaleType'].hist(ax = axs[3,0])#眾數(shù) 
 
cat_input(all_df,'MSZoning','RL') 
 
cat_input(all_df,'Utilities','AllPub') 
 
cat_input(all_df,'Exterior1st','VinylSd') 
 
cat_input(all_df,'Exterior2nd','VinylSd') 
 
cat_input(all_df,'KitchenQual','TA') 
 
cat_input(all_df,'Functional','Typ') 
 
cat_input(all_df,'SaleType','WD') 
 
#再看一下缺失分布 
 
msno.matrix(all_df) 

binggo，數(shù)據(jù)干凈啦！下面開始處理特征,經(jīng)過上述略微復(fù)雜的處理，數(shù)據(jù)集中所有的缺失數(shù)據(jù)都已處理完畢，可以開始接下來的工作啦！

缺失處理總結(jié)：在本篇文章所使用的數(shù)據(jù)集中存在比較多的缺失，缺失數(shù)據(jù)包括數(shù)值型和字符型，處理原則主要有兩個(gè)：

一、根據(jù)繪制數(shù)據(jù)分布直方圖，觀察數(shù)據(jù)分布的狀態(tài)，采取合適的方式填充缺失數(shù)據(jù)；

二、非常重要的特征描述，認(rèn)真閱讀，按照特征描述填充可以解決大部分問題。

4、特征處理

讓我們在重新仔細(xì)審視一下數(shù)據(jù)有沒有問題？仔細(xì)觀察發(fā)現(xiàn)MSSubClass特征實(shí)際上是分類特征，但是數(shù)據(jù)顯示是int類型，這個(gè)需要改成str。 

#觀察特征屬性發(fā)現(xiàn)，MSSubClass是分類特征，但是數(shù)據(jù)給的是數(shù)值型，需要對其做轉(zhuǎn)換 
 
all_df['MSSubClass']=all_df['MSSubClass'].astype(str) 
 
#將分類變量轉(zhuǎn)變成數(shù)值變量 
 
all_df = pd.get_dummies(all_df) 
 
print('分類變量轉(zhuǎn)換完成后有{}行{}列'.format(*all_df.shape))  

分類變量轉(zhuǎn)換完成后有2919行316列 

#標(biāo)準(zhǔn)化處理 
 
numeric_cols = all_df.columns[all_df.dtypes !='uint8'] 
 
#x-mean(x)/std(x) 
 
numeric_mean = all_df.loc[:,numeric_cols].mean() 
 
numeric_std = all_df.loc[:,numeric_cols].std() 
 
all_df.loc[:,numeric_cols] = (all_df.loc[:,numeric_cols]-numeric_mean)/numeric_std  

再把數(shù)據(jù)拆分到訓(xùn)練集和測試集 

train_df = all_df.ix[0:1460]#訓(xùn)練集 
 
test_df = all_df.ix[1461:]#測試集  

5、構(gòu)建基準(zhǔn)模型 

from sklearn import cross_validation 
 
from sklearn import linear_model 
 
from sklearn.learning_curve import learning_curve 
 
from sklearn.metrics import explained_variance_score 
 
from sklearn.grid_search import GridSearchCV 
 
from sklearn.model_selection import cross_val_score 
 
from sklearn.ensemble import RandomForestRegressor 
 
y = y.values #轉(zhuǎn)換成array數(shù)組 
 
X = train_df.values #轉(zhuǎn)換成array數(shù)組 
 
cv = cross_validation.ShuffleSplit(len(X),n_iter=3,test_size=0.2) 
 
print('嶺回歸交叉驗(yàn)證結(jié)果：') 
 
for train_index,test_index in cv: 
 
    ridge = linear_model.Ridge(alpha=1).fit(X,y)     
 
   print('train_score:{0:.3f},test_score:{1:.3f}\n'.format(ridge.score(X[train_index],y[train_index]), ridge.score(X[test_index],y[test_index]))) 
 
print('隨機(jī)森林交叉驗(yàn)證結(jié)果：') 
 
for train_index,test_index in cv: 
 
    rf = RandomForestRegressor().fit(X,y)     
 
    print('train_score:{0:.3f},test_score:{1:.3f}\n'.format(rf.score(X[train_index],y[train_index]), rf.score(X[test_index],y[test_index]))) 

哇！好意外啊，這兩個(gè)模型的結(jié)果表現(xiàn)都不錯(cuò)，但是隨機(jī)森林的結(jié)果似乎更好，下面來看看學(xué)習(xí)曲線情況。

我們采用的是默認(rèn)的參數(shù)，沒有調(diào)優(yōu)處理，得到的兩個(gè)基準(zhǔn)模型都存在過擬合現(xiàn)象。下面，我們開始著手參數(shù)的調(diào)整，希望能夠改善模型的過擬合現(xiàn)象。

6、參數(shù)調(diào)優(yōu)

嶺回歸正則項(xiàng)縮放系數(shù)alpha調(diào)整 

alphas =[0.01,0.1,1,10,20,50,100,300] 
 
test_scores = [] 
 
for alp in alphas: 
 
    clf = linear_model.Ridge(alp) 
 
    test_score = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error') 
 
    test_scores.append(np.mean(test_score)) 
 
import matplotlib.pyplot as plt 
 
%matplotlib inline 
 
plt.plot(alphas,test_scores) 
 
plt.title('alpha vs test_score') 

alpha在10-20附近均方誤差最小

隨機(jī)森林參數(shù)調(diào)優(yōu)

隨機(jī)森林算法，本篇中主要調(diào)整三個(gè)參數(shù)：maxfeatures,maxdepth,n_estimators 

#隨機(jī)森林的深度參數(shù) 
 
max_depth=[2,4,6,8,10] 
 
test_scores_depth = [] 
 
for depth in max_depth: 
 
    clf = RandomForestRegressor(max_depth=depth) 
 
    test_score_depth = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error') 
 
    test_scores_depth.append(np.mean(test_score_depth)) 
 
#隨機(jī)森林的特征個(gè)數(shù)參數(shù) 
 
max_features =[.1, .3, .5, .7, .9, .99] 
 
test_scores_feature = [] 
 
for feature in max_features: 
 
    clf = RandomForestRegressor(max_features=feature) 
 
    test_score_feature = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error') 
 
    test_scores_feature.append(np.mean(test_score_feature)) 
 
#隨機(jī)森林的估計(jì)器個(gè)位數(shù)參數(shù) 
 
n_estimators =[10,50,100,200,500] 
 
test_scores_n = [] 
 
for n in n_estimators: 
 
    clf = RandomForestRegressor(n_estimators=n) 
 
    test_score_n = -cross_val_score(clf,X,y,cv=10,scoring='neg_mean_squared_error') 
 
    test_scores_n.append(np.mean(test_score_n)) 

隨機(jī)森林的各項(xiàng)參數(shù)來看，深度位于8，選擇特征個(gè)數(shù)比例為0.5，估計(jì)器個(gè)數(shù)為500時(shí)，效果***。下面分別利用上述得到的***參數(shù)分別重新訓(xùn)練，看一下學(xué)習(xí)曲線，過擬合現(xiàn)象是否得到緩解？

再回想一下，我們最初的基線模型學(xué)習(xí)曲線的形狀，是不是得到了一定程度的緩解？OK，下面我們采用模型融合技術(shù)，對數(shù)據(jù)進(jìn)行預(yù)測。 

#預(yù)測 
 
ridge = linear_model.Ridge(alpha=10).fit(X,y) 
 
rf = RandomForestRegressor(n_estimators=500,max_depth=8,max_features=.5).fit(X,y) 
 
y_ridge = np.expm1(ridge.predict(test_df.values)) 
 
y_rf = np.expm1(rf.predict(test_df.values)) 
 
y_final = (y_ridge + y_rf)/2 

本篇房價(jià)預(yù)測的模型搭建已經(jīng)完成。同樣，再梳理一邊思路：

一、本篇用到的房價(jià)數(shù)據(jù)集存在比較多的數(shù)據(jù)缺失，且分類變量十分多。在預(yù)處理階段需要將訓(xùn)練集和測試集合并，進(jìn)行缺失填充和one-hot獨(dú)熱變量處理，保證數(shù)據(jù)處理過程的一致性，在數(shù)據(jù)缺失填充過程中，需要綜合考慮特征的實(shí)際描述和數(shù)據(jù)的分布，選擇合適的填充方式填充；

二、為防止數(shù)據(jù)變量不統(tǒng)一帶來的模型準(zhǔn)確率下降，將數(shù)值型特征進(jìn)行標(biāo)準(zhǔn)化處理，數(shù)據(jù)處理完成后，按照數(shù)據(jù)合并的方式，再還原到訓(xùn)練集和測試集；

三、先構(gòu)建嶺回歸和隨機(jī)森林基準(zhǔn)模型，進(jìn)行三折交叉驗(yàn)證，繪制學(xué)習(xí)曲線，存在明顯的過擬合現(xiàn)象；

四、接下來分別對兩個(gè)基準(zhǔn)模型進(jìn)行參數(shù)調(diào)優(yōu)，獲得使得均方誤差最小的參數(shù)，返回到訓(xùn)練集進(jìn)行訓(xùn)練； 

五、采用并行模型融合的方式，計(jì)算兩個(gè)模型預(yù)測結(jié)果的均值作為測試集的預(yù)測結(jié)果。