kaggle房价预测问题

参考：https://blog.csdn.net/m0_37870649/article/details/80979783
sklean的线性模型完成kaggle房价预测问题

https://www.kaggle.com/c/house-prices-Advanced-regression-techniques

赛题给我们79个描述房屋的特征，要求我们据此预测房屋的最终售价，即对于测试集中每个房屋的ID给出对于的SalePrice字段的预测值，主要考察我们数据清洗、特征工程、模型搭建及调优等方面的技巧。本赛题是典型的回归类问题，评估指标选用的是均方根误差（RMSE），为了使得价格的高低对结果的评估有均等的影响，赛题均方根误差基于预测值和实际值分别取对数对数来计算。 特征初步分析： 1. SalePrice 房屋售价，我们要预测的label，类型：数值型，单位：美元 2. MSSubClass: 建筑的等级，类型：类别型 MSZoning: 区域分类，类型：类别型 LotFrontage: 距离街道的直线距离，类型：数值型，单位：英尺 LotArea: 地皮面积，类型：数值型，单位：平方英尺 Street: 街道类型，类型：类别型 Alley: 巷子类型，类型：类别型 LotShape: 房子整体形状，类型：类别型 LandContour: 平整度级别，类型：类别型 Utilities: 公共设施类型，类型：类别型 LotConfig: 房屋配置，类型：类别型 LandSlope: 倾斜度，类型：类别型 Neighborhood: 市区物理位置，类型：类别型 Condition1: 主干道或者铁路便利程度，类型：类别型 Condition2: 主干道或者铁路便利程度，类型：类别型 BldgType: 住宅类型，类型：类别型 HouseStyle: 住宅风格，类型：类别型 OverallQual: 整体材料和饰面质量，类型：数值型 OverallCond: 总体状况评价，类型：数值型 YearBuilt: 建筑年份，类型：数值型 YearRemodAdd: 改建年份，类型：数值型 RoofStyle: 屋顶类型，类型：类别型 RoofMatl: 屋顶材料，类型：类别型 Exterior1st: 住宅外墙，类型：类别型 Exterior2nd: 住宅外墙，类型：类别型 MasVnrType: 砌体饰面类型，类型：类别型 MasVnrArea: 砌体饰面面积，类型：数值型，单位：平方英尺 ExterQual: 外部材料质量，类型：类别型 ExterCond: 外部材料的现状，类型：类别型 Foundation: 地基类型，类型：类别型 BsmtQual: 地下室高度，类型：类别型 BsmtCond: 地下室概况，类型：类别型 BsmtExposure: 花园地下室墙，类型：类别型 BsmtFinType1: 地下室装饰质量，类型：类别型 BsmtFinSF1: 地下室装饰面积，类型：类别型 BsmtFinType2: 地下室装饰质量，类型：类别型 BsmtFinSF2: 地下室装饰面积，类型：类别型 BsmtUnfSF: 未装饰的地下室面积，类型：数值型，单位：平方英尺 TotalBsmtSF: 地下室总面积，类型：数值型，单位：平方英尺 Heating: 供暖类型，类型：类别型 HeatingQC: 供暖质量和条件，类型：类别型 CentralAir: 中央空调状况，类型：类别型 Electrical: 电力系统，类型：类别型 1stFlrSF: 首层面积，类型：数值型，单位：平方英尺 2ndFlrSF: 二层面积，类型：数值型，单位：平方英尺 LowQualFinSF: 低质装饰面积，类型：数值型，单位：平方英尺 GrLivArea: 地面以上居住面积，类型：数值型，单位：平方英尺 BsmtFullBath: 地下室全浴室，类型：数值 BsmtHalfBath: 地下室半浴室，类型：数值 FullBath: 高档全浴室，类型：数值 HalfBath: 高档半浴室，类型：数值 BedroomAbvGr: 地下室以上的卧室数量，类型：数值 KitchenAbvGr: 厨房数量，类型：数值 KitchenQual: 厨房质量，类型：类别型 TotRmsAbvGrd: 地上除卧室以外的房间数，类型：数值 Functional: 房屋功用性评级，类型：类别型 Fireplaces: 壁炉数量，类型：数值 FireplaceQu: 壁炉质量，类型：类别型 GarageType: 车库位置，类型：类别型 GarageYrBlt: 车库建造年份，类别：数值型 GarageFinish: 车库内饰，类型：类别型 GarageCars: 车库车容量大小，类别：数值型 GarageArea: 车库面积，类别：数值型，单位：平方英尺 GarageQual: 车库质量，类型：类别型 GarageCond: 车库条件，类型：类别型 PavedDrive: 铺的车道情况，类型：类别型 WoodDeckSF: 木地板面积，类型：数值型，单位：平方英尺 OpenPorchSF: 开放式门廊区面积，类型：数值型，单位：平方英尺 EnclosedPorch: 封闭式门廊区面积，类型：数值型，单位：平方英尺 3SsnPorch: 三个季节门廊面积，类型：数值型，单位：平方英尺 ScreenPorch: 纱门门廊面积，类型：数值型，单位：平方英尺 PoolArea: 泳池面积，类型：数值型，单位：平方英尺 PoolQC:泳池质量，类型：类别型 Fence: 围墙质量，类型：类别型 MiscFeature: 其他特征，类型：类别型 MiscVal: 其他杂项特征值，类型：类别型 MoSold: 卖出月份，类别：数值型 YrSold: 卖出年份，类别：数值型 SaleType: 交易类型，类型：类别型 SaleCondition: 交易条件，类型：类别型

import pandas as pd import numpy as np import seaborn as sns import matplotlibimport matplotlib.pyplot as plt from scipy.stats import skew from scipy.stats.stats import pearsonr%config InlineBackend.figure_format = 'retina' #set 'png' here when working on notebook %matplotlib inline train = pd.read_csv("train.csv") test = pd.read_csv("test.csv") train.head() IdMSSubClassMSZoningLotFrontageLotAreaStreetAlleyLotShapeLandContourUtilities...PoolAreaPoolQCFenceMiscFeatureMiscValMoSoldYrSoldSaleTypeSaleConditionSalePrice01234

1	60	RL	65.0	8450	Pave	NaN	Reg	Lvl	AllPub	...	0	NaN	NaN	NaN	0	2	2008	WD	Normal	208500
2	20	RL	80.0	9600	Pave	NaN	Reg	Lvl	AllPub	...	0	NaN	NaN	NaN	0	5	2007	WD	Normal	181500
3	60	RL	68.0	11250	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	9	2008	WD	Normal	223500
4	70	RL	60.0	9550	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	2	2006	WD	Abnorml	140000
5	60	RL	84.0	14260	Pave	NaN	IR1	Lvl	AllPub	...	0	NaN	NaN	NaN	0	12	2008	WD	Normal	250000

5 rows × 81 columns

all_data = pd.concat((train.loc[:,'MSSubClass':'SaleCondition'],test.loc[:,'MSSubClass':'SaleCondition']))

数据预处理：

我们不会在这里做任何花哨的事情：

首先，我将通过记录（feature+1）来转换倾斜的数字特性-这将使特性更加正常

为分类特征创建虚拟变量

将数字缺失值（NaN）替换为其各自列的平均值

matplotlib.rcParams['figure.figsize'] = (12.0, 6.0) prices = pd.DataFrame({"price":train["SalePrice"], "log(price + 1)":np.log1p(train["SalePrice"])}) prices.hist() array([[<matplotlib.axes._subplots.AxesSubplot object at 0x00000268013A1320>,<matplotlib.axes._subplots.AxesSubplot object at 0x00000268013F20F0>]],dtype=object)

#log transform the target: train["SalePrice"] = np.log1p(train["SalePrice"])#log transform skewed numeric features: numeric_feats = all_data.dtypes[all_data.dtypes != "object"].indexskewed_feats = train[numeric_feats].apply(lambda x: skew(x.dropna())) #compute skewness skewed_feats = skewed_feats[skewed_feats > 0.75] skewed_feats = skewed_feats.indexall_data[skewed_feats] = np.log1p(all_data[skewed_feats]) all_data = pd.get_dummies(all_data) #用列的平均值填充na's： all_data = all_data.fillna(all_data.mean()) #为sklearn创建矩阵： X_train = all_data[:train.shape[0]] X_test = all_data[train.shape[0]:] y = train.SalePrice

模型

现在我们将使用SciKit学习模块中的正则化线性回归模型。我将尝试l_1（套索）和l_2（岭）的正规化。我还将定义一个返回交叉验证RMSE错误的函数，这样我们就可以评估模型并选择最佳的调优参数。

from sklearn.linear_model import Ridge, RidgeCV, ElasticNet, LassoCV, LassoLarsCV from sklearn.model_selection import cross_val_scoredef rmse_cv(model):rmse= np.sqrt(-cross_val_score(model, X_train, y, scoring="neg_mean_squared_error", cv = 5))return(rmse) model_ridge = Ridge()

岭模型的主要调整参数是alpha——一个测量模型灵活性的正则化参数。正则化程度越高，模型越不容易过度拟合。但是，它也会失去灵活性，可能无法捕获数据中的所有信号。

alphas = [0.05, 0.1, 0.3, 1, 3, 5, 10, 15, 30, 50, 75] cv_ridge = [rmse_cv(Ridge(alpha = alpha)).mean() for alpha in alphas] cv_ridge = pd.Series(cv_ridge, index = alphas) cv_ridge.plot(title = "Validation - Just Do It") plt.xlabel("alpha") plt.ylabel("rmse") Text(0,0.5,'rmse')

注意上面的U形曲线。当alpha太大时，正则化太强，模型无法捕获数据中的所有复杂性。然而，如果我们让模型过于灵活（alpha小），模型就会开始过度拟合。根据上面的图，alpha=10的值大约是右的。

cv_ridge.min() 0.1273373466867077

所以对于岭回归，我们得到了大约0.127的rmsle。

让我们试试套索模型。我们将在这里做一个稍微不同的方法，并使用内置的lasso cv为我们找出最好的alpha。出于某种原因，拉索cv中的alphas实际上是反向的，或者脊中的alphas。

model_lasso = LassoCV(alphas = [1, 0.1, 0.001, 0.0005]).fit(X_train, y) rmse_cv(model_lasso).mean() 0.12314421090977452

好极了！套索的性能更好，所以我们只需要用这个来预测测试集。关于套索的另一个好处是它为你做了特征选择——设置了它认为不重要的特征系数为零。让我们来看看系数：

coef = pd.Series(model_lasso.coef_, index = X_train.columns) print("Lasso picked " + str(sum(coef != 0)) + " variables and eliminated the other " + str(sum(coef == 0)) + " variables") Lasso picked 110 variables and eliminated the other 178 variables

做得好套索。然而，这里需要注意的一点是，所选的特性不一定是“正确的”特性，特别是因为在这个数据集中有很多共线特性。在这里尝试的一个想法是在增强的样本上运行lasso几次，看看特性选择有多稳定。
我们还可以直接看看最重要的系数是什么：

imp_coef = pd.concat([coef.sort_values().head(10),coef.sort_values().tail(10)]) matplotlib.rcParams['figure.figsize'] = (8.0, 10.0) imp_coef.plot(kind = "barh") plt.title("Coefficients in the Lasso Model") Text(0.5,1,'Coefficients in the Lasso Model')

#let's look at the residuals as well: matplotlib.rcParams['figure.figsize'] = (6.0, 6.0)preds = pd.DataFrame({"preds":model_lasso.predict(X_train), "true":y}) preds["residuals"] = preds["true"] - preds["preds"] preds.plot(x = "preds", y = "residuals",kind = "scatter") <matplotlib.axes._subplots.AxesSubplot at 0x26801c06780>

总结

以上是生活随笔为你收集整理的kaggle房价预测问题的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。