用Python研究了三千套房子，告诉你究竟是什么抬高了房价？

关于房价，用Pn研一直都是究千究竟全民热议的话题，毕竟不少人终其一生都在为之奋斗。套房

房地产的告诉高房泡沫究竟有多大不得而知？今天我们抛开泡沫，回归房屋最本质的什抬内容，来分析一下房价的用Pn研影响因素究竟是什么？

1、导入数据

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,究千究竟index_col=0)  #导入训练集 test = pd.read_csv(test.csv,index_col=0)  #导入测试集 train.head(3) print(train训练集缺失数据分布图) msno.matrix(train) print(test测试集缺失数据分布图) msno.matrix(test) 

从上面的数据缺失可视化图中可以看出，部分特征的套房数据缺失十分严重，下面我们来对特征的告诉高房缺失数量进行统计。

2、什抬目标Y值分析 

##分割Y和X数据 y=train[SalePrice] #看一下y的用Pn研值分布 prices = pd.DataFrame({ price:y,log(price+1):np.log1p(y)}) prices.hist() 

观察目标变量y的分布和取对数后的分布看，取完对数后更倾向于符合正太分布，究千究竟故我们对y进行对数转化。套房 

y = np.log1p(y) #+1的告诉高房目的是防止对数转化后的值无意义 

3、合并数据 缺失处理 

#合并训练特征和测试集 all_df = pd.concat((X,什抬test),axis=0) print(all_df缺失数据图) msno.matrix(all_df) #定义缺失统计函数 def show_missing(feature):     missing = feature.columns[feature.isnull().any()].tolist()      return  missing print(缺失特征的数据缺失量统计：) all_df[show_missing(all_df)].isnull().sum() #先处理numeric数值型数据 #挨个儿看一下分布 fig,axs = plt.subplots(3,2,figsize=(16,9)) all_df[BsmtFinSF1].hist(ax = axs[0,0])#众数填充 all_df[BsmtFinSF2].hist(ax = axs[0,1])#众数 all_df[BsmtUnfSF].hist(ax =  axs[1,0])#中位数 all_df[TotalBsmtSF].hist(ax = axs[1,1])#均值填充 all_df[BsmtFullBath].hist(ax = axs[2,0])#众数 all_df[BsmtHalfBath].hist(ax = axs[2,1])#众数 #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) #在处理字符型，同样，挨个看下分布 fig,axs = plt.subplots(4,2,figsize=(16,9)) all_df[MSZoning].hist(ax = axs[0,0])#众数填充 all_df[Utilities].hist(ax = axs[0,1])#众数 all_df[Exterior1st].hist(ax =  axs[1,0])#众数 all_df[Exterior2nd].hist(ax = axs[1,1])#众数填充 all_df[KitchenQual].hist(ax = axs[2,0])#众数 all_df[Functional].hist(ax = axs[2,1])#众数 all_df[SaleType].hist(ax = axs[3,0])#众数 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，亿华云计算数据干净啦！下面开始处理特征,经过上述略微复杂的处理，数据集中所有的缺失数据都已处理完毕，可以开始接下来的工作啦！

缺失处理总结：在本篇文章所使用的数据集中存在比较多的缺失，缺失数据包括数值型和字符型，处理原则主要有两个：

一、根据绘制数据分布直方图，观察数据分布的状态，采取合适的方式填充缺失数据；

二、非常重要的特征描述，认真阅读，按照特征描述填充可以解决大部分问题。

4、特征处理

让我们在重新仔细审视一下数据有没有问题？仔细观察发现MSSubClass特征实际上是分类特征，但是数据显示是int类型，这个需要改成str。 

#观察特征属性发现，MSSubClass是分类特征，但是数据给的站群服务器是数值型，需要对其做转换 all_df[MSSubClass]=all_df[MSSubClass].astype(str) #将分类变量转变成数值变量 all_df = pd.get_dummies(all_df) print(分类变量转换完成后有{ }行{ }列.format(*all_df.shape))  

分类变量转换完成后有2919行316列 

#标准化处理 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  

再把数据拆分到训练集和测试集 

train_df = all_df.ix[0:1460]#训练集 test_df = all_df.ix[1461:]#测试集  

5、构建基准模型 

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 #转换成array数组 X = train_df.values #转换成array数组 cv = cross_validation.ShuffleSplit(len(X),n_iter=3,test_size=0.2) print(岭回归交叉验证结果：) 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(随机森林交叉验证结果：) 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，这两个模型的结果表现都不错，但是随机森林的结果似乎更好，下面来看看学习曲线情况。

我们采用的是默认的参数，没有调优处理，得到的两个基准模型都存在过拟合现象。下面，我们开始着手参数的调整，希望能够改善模型的过拟合现象。

6、参数调优

岭回归正则项缩放系数alpha调整 

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附近均方误差最小

随机森林参数调优

随机森林算法，本篇中主要调整三个参数：maxfeatures,maxdepth,n_estimators 

#随机森林的深度参数 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)) #随机森林的特征个数参数 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)) #随机森林的估计器个位数参数 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)) 

随机森林的各项参数来看，深度位于8，选择特征个数比例为0.5，估计器个数为500时，源码库效果***。下面分别利用上述得到的***参数分别重新训练，看一下学习曲线，过拟合现象是否得到缓解？

再回想一下，我们最初的基线模型学习曲线的形状，是不是得到了一定程度的缓解？OK，下面我们采用模型融合技术，对数据进行预测。 

#预测 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 

本篇房价预测的模型搭建已经完成。同样，再梳理一边思路：

一、本篇用到的房价数据集存在比较多的数据缺失，且分类变量十分多。在预处理阶段需要将训练集和测试集合并，进行缺失填充和one-hot独热变量处理，保证数据处理过程的一致性，在数据缺失填充过程中，需要综合考虑特征的实际描述和数据的分布，选择合适的填充方式填充；

二、为防止数据变量不统一带来的模型准确率下降，将数值型特征进行标准化处理，数据处理完成后，按照数据合并的方式，再还原到训练集和测试集；

三、先构建岭回归和随机森林基准模型，进行三折交叉验证，绘制学习曲线，存在明显的过拟合现象；

四、接下来分别对两个基准模型进行参数调优，获得使得均方误差最小的参数，返回到训练集进行训练； 

五、采用并行模型融合的方式，计算两个模型预测结果的均值作为测试集的预测结果。 

很赞哦!（47181）