機器學習一個完整的項目過程

准備數據

訓練集和測試集的數據來源於很多地方，比如：數據庫，csv文件或者其他存儲數據的方式，為了操作的簡便性，可以寫一些小的腳本來下載並解析這些數據。在本文中，我們先寫一個腳本來演示：

import os
import tarfile
from six.moves import urllib

DOWNLOAD_ROOT = 'https://raw.githubusercontent.com/ageron/handson-ml/master/'
HOUSING_PATH = 'chapter02/datasets/housing'
HOUSING_URL = DOWNLOAD_ROOT + 'datasets/housing' + '/housing.tgz'


def fetch_housing_data(housing_url=HOUSING_URL, housing_path=HOUSING_PATH):
    print(housing_url)
    if not os.path.isdir(housing_path):
        os.makedirs(housing_path)
    tgz_path = os.path.join(housing_path, 'housing.tgz')
    urllib.request.urlretrieve(housing_url, tgz_path)
    print(tgz_path)
    housing_tgz = tarfile.open(tgz_path)
    housing_tgz.extractall(path=housing_path)
    housing_tgz.close()
    

fetch_housing_data()

執行上邊的代碼后，數據就已經下載到本地了，接下來在使用pandas加載數據

import pandas as pd


def load_housing_data(housing_path=HOUSING_PATH):
    print(housing_path)
    csv_path = os.path.join(housing_path, "housing.csv")
    print(csv_path)
    return pd.read_csv(csv_path)

數據預覽

使用pandas解析后的數據是DataFrames格式，我們可以調用變量的head()方法，獲取默認的前5條數據

可以看出，總共有10條屬性，在這5條中，顯示數據都很完整，沒有發現數值有空的情況，使用info()，我們可以對整個數據的信息進行預覽：

一共有20640條數據，這點數據對於ML來說是很小的，只有total_bedrooms的屬性下存在數據為空的情況。

通過觀察數據，我們發現，除了ocean_proximity之外的屬性的值都是數值類型，數值類型很容易在ML算法中實現，再次觀察上邊5條數據的ocean_proximity值，可以推斷出ocean_proximity應該存在幾種類型，跟枚舉有點像，使用value_counts()方法可以查看每個值得數量：

除此之外，使用describe()可以查看每一行更多的信息：

名詞解釋：

名稱	解釋
count	數量
mean	均值
min	最小值
max	最大值
std	標准差
25%/50%.75%	低於該值所占的比例

如果想查看每個屬性更加詳細的信息，我們可以使用hist()方法，查看每個屬性的矩形圖：

%matplotlib inline 
import matplotlib.pyplot as plt
housing.hist(bins=50, figsize=(20, 15))
plt.show()

通過觀察矩形圖可以很容易的看出值的分布情況，矩形圖的x軸表示值，y軸表示數量。針對我們這份數據，我們發現了如下信息：

• 對於median_income來說，它的值並不是表示的是真實的收入，而是通過計算的結果，取值范圍在0.5~15之間，明白數值是如何計算的，也很重要。
• 數據受限的情況，housing_median_age和median_house_value存在明顯的值得限制，在他們的矩形圖的右邊有一條很長的條，這說明存在限制的情況，這會對ML算法產生一定的影響，比如，在使用算法預測的時候，是否需要也添加該限制？如果答案是不限制，需要對當前受限制的數據做進一步的處理：
  • 收集受限制的數據的真實值
  • 刪除這些受限制的數據
• 這些屬性的取值范圍有很大的區別，這個會在下文中解決這個問題
• 圖形中有存在尾重的現象，這個也會在下文中解決

創建test集

在創建test set的過程中， 能夠進一步讓我們了解數據，這對選擇機器學習算法很有幫助。最簡單的就是隨機收取大約20%的數據作為test set。

使用隨機函數的缺點是，每次運行程序得到的結果都不一樣，因此，為處理這個問題，我們需要給每一行一個唯一的identifier，然后對identifier進行hash化，取它的最后一個字節值小於或等於51（20%）就可以了。

在原有的數據中，並不存在這樣的identifier，因此需要調用reset_index()函數，為每行添加索引，作為identifier。

import hashlib
import numpy as np


def test_set_check(identifier, test_ratio, hash):
    return hash(np.int64(identifier)).digest()[-1] < 256 * test_ratio


def split_train_test_by_id(data, test_ratio, id_column, hash=hashlib.md5):
    ids = data[id_column]
    in_test_set = ids.apply(lambda id_: test_set_check(id_, test_ratio, hash))
    return data.loc[~in_test_set], data.loc[in_test_set]

# 給housing添加index
housing_with_id = housing.reset_index()
train_set, test_set = split_train_test_by_id(housing_with_id, 0.2, "index")
print(len(train_set), 'train +', len(test_set), "test")

# 也可以使用這種方式來創建id
# housing_with_id["id"] = housing["longitude"] * 1000 + housing["latitude"]
# train_set, test_set = split_train_test_by_id(housing_with_id, 0.2, "id")

在上邊的代碼中，使用index作為identifier有一個缺點，需要把新的數據拼接到數據整體的最后邊，同時不能刪除中間的數據，解決的方法是，使用其他屬性的組合來計算identifier。

當然sklearn也提供了生成test set的方法

from sklearn.model_selection import train_test_split
train_set, test_set = train_test_split(housing, test_size=0.2, random_state=42)

隨機抽樣比較適用於數據量大的樣本，如果樣本不夠大，就會引入很大的抽樣偏差。對於當前的數據，我們采取分層抽樣。當你詢問專家那個屬性最重要的時候，他回答說median_income最重要，我們就要考慮基於median_income進行分層抽樣。

觀察上圖，可以發現，median_income的值主要集中在幾個層次上，由於層次不夠多，這也側面說明了不太適合使用隨機抽樣。

我們為數據新增一個屬性，用於標記每行數據屬於哪個層次。對於大於5.0的，都歸到5.0中。

# 隨機抽樣會在某些情況下存在偏差，這時候可以考慮分層抽樣，每層的實例個數不能太少，分層不能太多
housing["income_cat"] = np.ceil(housing["median_income"] / 1.5)
housing["income_cat"].where(housing["income_cat"] < 5, 5.0, inplace=True)
print(housing.head(10))

接下來就需要根據income_cat,使用sklearn對數據進行分層抽樣。

# 使用sklearn的tratifiedShuffleSplit類進行分層抽樣
from sklearn.model_selection import StratifiedShuffleSplit


split = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
for train_index, test_index in split.split(housing, housing["income_cat"]):
    strat_train_set = housing.loc[train_index]
    strat_test_set = housing.loc[test_index]
    
print(housing["income_cat"].value_counts() / len(housing))

# 得到訓練集和測試集后刪除income_cat
for s in (strat_train_set, strat_test_set):
    s.drop(["income_cat"], axis=1, inplace=True)
    
print(strat_train_set.head(10))

上邊的代碼在抽樣成功后，刪除了income_cat屬性，結果如下：

如果我們計算test set和原數據的誤差，能夠得到下邊這張表格，可以看出，分層抽樣的錯誤明顯小於隨機抽樣。

發現數據的更多信息

要想找到數據中隱藏的信息，就要使用可視化的手段，對於我們的housing數據來說，它包含經緯度信息，基於地理位置應該是一個好的切入口。

housing = strat_train_set.copy()
housing.plot(kind="scatter", x="longitude", y="latitude", figsize=(20, 12))

這張圖如果繪制成這樣的，很難發現有什么特點，我們調整點的透明度試一試。

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.1, figsize=(20, 12))

這樣我們的頭腦自動分析后，很容易得出數據濃度高的地方存在特殊性，那么這些是否與價格相關？更進一步，我們用點的半徑表示相應點的人口規模，用顏色表示價格，然后繪圖：

housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.4, 
             s=housing["population"]/100, label="population", 
             c="median_house_value", cmap=plt.get_cmap("jet"), colorbar=True, figsize=(20, 12))
plt.legend()

從這張圖，可以觀察到，價格跟位置和人口密度有很大的關系，和ocean_proximity同樣有關系，因此，從直覺上，我們可以考慮使用聚類算法。

相關性

由於當前的數據集比較小，我們可以直接用corr()計算標准相關系數：

# 標准相關系數， 查看feature的關聯度
corr_matrix = housing.corr()
corr_matrix["median_house_value"].sort_values(ascending=False)

為什么要了解相關性？ 相關性只能查看屬性之間的線性關系，取值范圍是-1~1，越靠近1越正相關，越靠近-1表示越負相關，靠近0表示不相關。

上圖中顯示了1， 0， -1各種情況下的圖形的樣子。另一種直觀的方式是使用用pandas的scatter_matrix函數繪圖：

from pandas.plotting import scatter_matrix
attributes = ["median_house_value", "median_income", "total_rooms",
                  "housing_median_age"]
scatter_matrix(housing[attributes], figsize=(12, 8));

可以很清楚的看出，median_house_value和median_income存在一定的線性關系，也驗證了這個屬性相對別的屬性來說，更加重要。

我們放大該圖：

housing.plot(kind='scatter', x='median_income', y="median_house_value", alpha=0.2)
# 圖中橫線的部分就屬於干擾數據，不符合大的趨勢

如果仔細觀察上圖，能發現很多細節：

• 存在上升趨勢且點沒有分散，說明二者存在強關系
• 在圖形中的點組成的橫向顯示，$500000是一個價格上線，在下邊隱約還存在另外幾個“橫線”。這不符合線性關系，因此可能是干擾數據，可以考慮移除掉

屬性組合

在數據中，可能打個屬性的用處並不大，但是對這些屬性做一些特殊的重組后，會獲取到一些有用的信息。

在我們這個例子中，total_rooms,total_bedrooms單獨存在的意義不是很大，但是如果跟population和households做一些組合后，就會產生新的有意義的屬性。

# 有些屬性可能是我們不需要的，在這里，bedrooms的總數，不是我們關心的
# 因此我們可以使用已有的一些屬性生成新的組合屬性
housing["rooms_per_household"] = housing["total_rooms"] / housing["households"]
housing["bedrooms_per_room"] = housing["total_bedrooms"] / housing["total_rooms"]
housing["population_per_household"] = housing["population"] / housing["households"]
corr_matrix = housing.corr()
corr_matrix["median_house_value"].sort_values(ascending=False)

bedrooms_per_room比，total_rooms,total_bedrooms的相關性都要高，說明我們做的屬性重組起到了作用。

對數據的操作是一個循序漸進的過程。

數據清洗

在清洗數據之前，我們先保存好數據。

# 分離labels
housing = strat_train_set.drop("median_house_value", axis=1)
housing_labels = strat_train_set["median_house_value"].copy()

在本文上半部分，我們提到過total_bedrooms有一些值為空的情況，對於這種情況，我們一般會采取以下幾種方式“

• 放棄值為空的整行的數據
• 放棄該屬性
• 重新賦值

通常會采取第三種方式，為空的值重新附一個新值，比方說均值。

sklearn提供了一個Imputer來專門處理這個問題：

# 機器學習算法不能運行在值缺失的情況，因此需要對值缺失做一些處理
# 1. 放棄那一行數據 2. 放棄整個屬性 3. 給缺失的值重新賦值
from sklearn.impute import SimpleImputer


# 使用中位數作為策略
imputer = SimpleImputer(strategy="median")
# 移除不是數值類型的項
housing_num = housing.drop("ocean_proximity", axis=1)
# fit只用來計算數據的策略值
imputer.fit(housing_num)
print(imputer.statistics_)
# 轉換數據，就是補齊missing value
X = imputer.transform(housing_num)

其中imputer的fit()函數，只是計算了各個屬性的均值，並沒有做其他額外的事情，這就好比對imputer進行了‘訓練’，然后調用transfom()轉化數據。

其中均值如下：

處理text類型的屬性

在我們這個例子中,ocean_proximity是text類型，需要把它轉為數值類型。sklearn提供了LabelEncoder模塊來把這些text類型的值轉換成數值。

# 對於不是數值的屬性值，sk頁提供了轉換方法
from sklearn.preprocessing import LabelEncoder


encoder = LabelEncoder()
housing_cat = housing["ocean_proximity"]
housing_cat_encoded = encoder.fit_transform(housing_cat)
print(housing_cat_encoded)
print(encoder.classes_)

'''
[3 3 3 ... 1 1 1]
['<1H OCEAN' 'INLAND' 'ISLAND' 'NEAR BAY' 'NEAR OCEAN']
'''

但是這么做存在的問題是，在機器學習中，認為相近的數值往往相似性更高，為了解決這個問題，sklearn提供了OneHotEncoder模塊，把整數映射為一個只有0和1的向量，只有相對的位置是1，其他都是0：

# 在上邊的例子中有個很大的問題，ml的算法會任務0和1比較接近，但是<1H OCEAN和NEAR OCEAN更相似
# 為了解決這個問題，需要引入one hot的方式，用所在的位置設為1
from sklearn.preprocessing import OneHotEncoder


encoder = OneHotEncoder()
housing_cat_1hot = encoder.fit_transform(housing_cat_encoded.reshape(-1, 1))
print(housing_cat_1hot.toarray())

'''
[[1. 0. 0. 0. 0.]
 [1. 0. 0. 0. 0.]
 [0. 0. 0. 0. 1.]
 ...
 [0. 1. 0. 0. 0.]
 [1. 0. 0. 0. 0.]
 [0. 0. 0. 1. 0.]]
 '''

當然，sklearn還提供了把上邊兩步合為一步的模塊LabelBinarizer:

# 也可以把label和one hot的步驟合成一個
from sklearn.preprocessing import LabelBinarizer


encoder = LabelBinarizer()
housing_cat_1hot = encoder.fit_transform(housing_cat)
print(housing_cat_1hot)

自定義Transforms

盡管sklearn提供了很多有用的transfoms，但是我們還是希望能夠自定義一些transforms，而且這些自定義的模塊，最好用起來和sklearn提供的一樣，很簡單，下邊的代碼實現了一個很簡單的數據轉換：

之前：

# 有些屬性可能是我們不需要的，在這里，bedrooms的總數，不是我們關心的
# 因此我們可以使用已有的一些屬性生成新的組合屬性
housing["rooms_per_household"] = housing["total_rooms"] / housing["households"]
housing["bedrooms_per_room"] = housing["total_bedrooms"] / housing["total_rooms"]
housing["population_per_household"] = housing["population"] / housing["households"]
corr_matrix = housing.corr()
corr_matrix["median_house_value"].sort_values(ascending=False)

現在：

# 自定義Transformation
from sklearn.base import BaseEstimator, TransformerMixin


rooms_ix, bedrooms_ix, population_ix, household_ix = 3, 4, 5, 6


class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
    def __init__(self, add_bedrooms_per_room=True):
        self.add_bedrooms_per_room = add_bedrooms_per_room
        
    def fit(self, X, y=None):
        return self
    
    def transform(self, X, y=None):
        print("==============")
        rooms_per_household = X[:, rooms_ix] / X[:, household_ix]
        population_per_household = X[:, population_ix] / X[:, household_ix]
        if self.add_bedrooms_per_room:
            bedrooms_per_room = X[:, bedrooms_ix] / X[:, rooms_ix]
            print("aaaa", np.c_[X, rooms_per_household, population_per_household, bedrooms_per_room][0])
            return np.c_[X, rooms_per_household, population_per_household, bedrooms_per_room]
        else:
            return np.c_[X, rooms_per_household, population_per_household]
    

attr_adder = CombinedAttributesAdder()
housing_extra_attribs = attr_adder.transform(housing.values)
print(len(housing_extra_attribs[0])) # 在每一行的后邊拼接了兩個值
print(housing_extra_attribs) # 在每一行的后邊拼接了兩個值

'''
[[-121.89 37.29 38.0 ... 4.625368731563422 2.094395280235988
  0.22385204081632654]
 [-121.93 37.05 14.0 ... 6.008849557522124 2.7079646017699117
  0.15905743740795286]
 [-117.2 32.77 31.0 ... 4.225108225108225 2.0259740259740258
  0.24129098360655737]
 ...
 [-116.4 34.09 9.0 ... 6.34640522875817 2.742483660130719
  0.1796086508753862]
 [-118.01 33.82 31.0 ... 5.50561797752809 3.808988764044944
  0.19387755102040816]
 [-122.45 37.77 52.0 ... 4.843505477308295 1.9859154929577465
  0.22035541195476574]]
  '''

這個轉換的另一個好處是，可以很方便的加入到pipeline中，這個下邊也講到了。

特征縮放

對於機器學習，數據的scaling同樣很重要，不同scaling的特征，會產生不同的結果，在我們的數據中，就存在scaling不一致的問題，解決這樣的問題一般有兩種方式：

1. Min-max scaling，也叫normalization， 主要是把值壓縮到0~1之間，用值減去最小值后，再除以最大值減最小值的值
2. Standardization，減去均值后再除以方差，這個跟也叫normalization不一樣的地方在於，他的取值范圍不是0~1，它可以避免數據中存在極大值造成的誤差

sklearn提供了StandardScaler模塊用於特征縮放，我們使用的是第二種Standardization。

Transformation Pipelines

我們上邊的一系列過程，包含數據清洗，屬性重組，數據縮放，text類型的轉換，都可以使用sklearn的Pipeline來組合成一個整體的過程，支持異步的方式，同時進行多個pipeline

# 使用屬性組合的方式
from sklearn.pipeline import FeatureUnion
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler


class DataFrameSelector(BaseEstimator, TransformerMixin):
    def __init__(self, attribute_names):
        self.attribute_names = attribute_names
        
    def fit(self, X, y=None):
        return self
    
    def transform(self, X):
        return X[self.attribute_names].values
    

class CustomLabelBinarizer(BaseEstimator, TransformerMixin):
    def __init__(self, *args, **kwargs):
        self.encoder = LabelBinarizer(*args, **kwargs)
        
    def fit(self, x, y=None):
        self.encoder.fit(x)
        return self
    
    def transform(self, x, y=None):
        print(self.encoder.transform(x))
        return self.encoder.transform(x)
        

num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]


num_pipeline = Pipeline([("selector", DataFrameSelector(num_attribs)), 
                         ("imputer", SimpleImputer(strategy="median")), 
                         ("attribs_adder", CombinedAttributesAdder()), 
                          ("std_scaler", StandardScaler())])

cat_pipeline = Pipeline([("selector", DataFrameSelector(cat_attribs)), 
                        ("label_binarizer", CustomLabelBinarizer())])


full_pipeline = FeatureUnion(transformer_list=[("num_pipeline", num_pipeline), 
                                               ("cat_pipeline", cat_pipeline)])

housing_prepared = full_pipeline.fit_transform(housing)
print(housing_prepared[0])

上邊的代碼實現了從數據清洗到特征縮放的整個過程。

選擇和訓練模型

在完成了數據的准備任務后，我們對數據應該有了很清晰的了解，接下來就需要選擇訓練模型，這個過程也是一個不斷選擇的過程。

我們首先用linear regression model來試一下：

# 我們先用線性回歸模型試一下
from sklearn.linear_model import LinearRegression


lin_reg = LinearRegression()
lin_reg.fit(housing_prepared, housing_labels)

# 准備一些測試數據
some_data = housing.iloc[:5]
some_labels = housing_labels.iloc[:5]
some_data_prepared = full_pipeline.transform(some_data)
print(some_data_prepared)
print("Predictions:\t", lin_reg.predict(some_data_prepared))
print("Labels:\t\t,", list(some_labels))

用sklearn寫模型還是很簡單的，通過打印，我們能夠看到預測值和觀測值還有差距，這時候，就需要一個error信息，來監控錯誤率

mean_squared_error表示均方誤差，公式為：

一般使用RMSE進行評估（這個回歸分析模型中最常用的評估方法）：

用代碼表示為：

# 使用RMSE測錯誤
from sklearn.metrics import mean_squared_error


housing_predictions = lin_reg.predict(housing_prepared)
lin_mse = mean_squared_error(housing_labels, housing_predictions)
lin_rmse = np.sqrt(lin_mse)
lin_rmse # 這種錯誤誤差已經很大，說明當前的features不能提供預測的足夠的信息或者當前模型不夠強大

'''
68628.19819848923
'''

從本文上部分的分布應該不難看出，用線性回歸的話誤差應該很大，更進步，我們考慮使用決策樹模型來訓練試一下。

# 使用決策樹來訓練數據
from sklearn.tree import DecisionTreeRegressor


tree_reg = DecisionTreeRegressor()
tree_reg.fit(housing_prepared, housing_labels)

tree_predictions = tree_reg.predict(housing_prepared)
tree_mse = mean_squared_error(housing_labels, tree_predictions)
tree_rmse = np.sqrt(tree_mse)
tree_rmse

'''
0.0
'''

誤差為0，這說明過擬合了。過擬合不是一件好事，為了解決這個問題，我們可以對當前的訓練數據做交叉驗證Cross-Validation。它的本質是把當前的數據分割成n份，同時生成n個誤差。

這里用到的是K-fold Cross Validation叫做K折交叉驗證，和LOOCV的不同在於，我們每次的測試集將不再只包含一個數據，而是多個，具體數目將根據K的選取決定。比如，如果K=5，那么我們利用五折交叉驗證的步驟就是：

1. 將所有數據集分成5份
2. 不重復地每次取其中一份做測試集，用其他四份做訓練集訓練模型，之后計算該模型在測試集上的MSE_i
3. 將5次的MSE_i取平均得到最后的MSE

# 上邊出現了error為0的情況，說明過擬合了，可以使用sk的交叉驗證
# 把訓練數據分成一定的分數，相互驗證
from sklearn.model_selection import cross_val_score


scores = cross_val_score(tree_reg, housing_prepared, housing_labels, 
                         scoring="neg_mean_squared_error", cv=10)
tree_rmse_scores = np.sqrt(-scores)


def display_scores(scores):
    print("Scores:", scores)
    print("Mean:", scores.mean())
    print("Standard deviation:", scores.std())
    
    
display_scores(tree_rmse_scores)

可以看出決策樹的誤差也很高，我們在對線性回歸模型做交叉驗證：

# 使用交叉驗證看看回歸的error
line_scores = cross_val_score(lin_reg, housing_prepared, housing_labels, 
                         scoring="neg_mean_squared_error", cv=10)
line_rmse_scores = np.sqrt(-line_scores)


display_scores(line_rmse_scores)

最后，我們使用隨機森林來訓練模型：

# 隨機森林
from sklearn.ensemble import RandomForestRegressor


random_forest = RandomForestRegressor()
random_forest.fit(housing_prepared, housing_labels)

forest_predictions = random_forest.predict(housing_prepared)
forest_mse = mean_squared_error(housing_labels, forest_predictions)
forest_rmse = np.sqrt(forest_mse)
forest_rmse

'''
22100.915917968654
'''

看上去，這次錯誤明顯小了很多，這個模型目前來說是比較理想的。

在經歷過選擇模型后，我們一般會得到一個模型列表，只需選擇最優的那個就行了。

微調模型

一般來說，機器學習算法都有一些hyperparameter，這些參數可以影響結果，我們對模型的優化也包括如何找到最優的參數。

sklearn的GridSearchCV能夠方便的創建參數組合，比如：

# 在得到一系列可用的模型列表后，需要對該模型做微調
# Grid Search 網絡搜索，使用sk對各種不同的參數組合做訓練，獲取最佳參數組合
from sklearn.model_selection import GridSearchCV


param_grid = [{'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]},
              {'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]}]
forest_reg = RandomForestRegressor()
grid_search = GridSearchCV(forest_reg, param_grid, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(housing_prepared, housing_labels)

grid_search.best_params_

'''
{'max_features': 8, 'n_estimators': 30}
'''

上邊的代碼中一共嘗試了34 + 23 = 18種組合。

# 獲取最優的estimator
grid_search.best_estimator_

'''
RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,
           max_features=8, max_leaf_nodes=None, min_impurity_decrease=0.0,
           min_impurity_split=None, min_samples_leaf=1,
           min_samples_split=2, min_weight_fraction_leaf=0.0,
           n_estimators=30, n_jobs=None, oob_score=False,
           random_state=None, verbose=0, warm_start=False)
'''

cvres = grid_search.cv_results_
for mean_score, params in zip(cvres["mean_test_score"], cvres["params"]):
    print(np.sqrt(-mean_score), params)
    

可以很直觀的看到每個參數下的誤差。

用測試集驗證

最后，當有了可用的模型后，就可以對test set進行驗證了，但首先需要使用上文的pipeline對test set進行轉換：

# 使用最終的模型來評估測試數據
final_model = grid_search.best_estimator_

X_test = strat_test_set.drop("median_house_value", axis=1)
y_test = strat_test_set["median_house_value"].copy()

X_test_prepared = full_pipeline.transform(X_test)

final_predictions = final_model.predict(X_test_prepared)

final_mse = mean_squared_error(y_test, final_predictions)
final_rmse = np.sqrt(final_mse)
final_rmse

'''
47732.7520382174
'''

總結

本文只是一個關於機器學習的小項目，但是包含了一個完整的分析過程，可以看出，對數據的理解和處理占據大部分的工作，要想處理好這些內容，需要一定的統計學知識，這個會在后期的文章中給出總結。