機器學習入門項目分享 - 波士頓房價預測
該分享源於Udacity機器學習進階中的一個mini作業項目，用於入門非常合適，刨除了繁瑣的部分，保留了最關鍵、基本的步驟，能夠對機器學習基本流程有一個最清晰的認識；
項目描述
利用馬薩諸塞州波士頓郊區的房屋信息數據訓練和測試一個模型，並對模型的性能和預測能力進行測試；
項目分析
數據集字段解釋：
RM: 住宅平均房間數量；LSTAT: 區域中被認為是低收入階層的比率；PTRATIO: 鎮上學生與教師數量比例；MEDV: 房屋的中值價格（目標特征，即我們要預測的值）；
其實現在回過頭來看，前三個特征應該都是挖掘后的組合特征，比如RM，通常在原始數據中會分為多個特征：一樓房間、二樓房間、廚房、卧室個數、地下室房間等等，這里應該是為了教學簡單化了；
MEDV為我們要預測的值，屬於回歸問題，另外數據集不大（不到500個數據點），小數據集上的回歸問題，現在的我初步考慮會用SVM，稍后讓我們看看當時的選擇；
Show Time
Step 1 導入數據
注意點：
- 如果數據在多個csv中（比如很多銷售項目中，銷售數據和店鋪數據是分開兩個csv的，類似數據庫的兩張表），這里一般要連接起來；
- 訓練數據和測試數據連接起來，這是為了后續的數據處理的一致，否則訓練模型時會有問題（比如用訓練數據訓練的模型，預測測試數據時報錯維度不一致）；
- 觀察下數據量，數據量對於后續選擇算法、可視化方法等有比較大的影響，所以一般會看一下；
- pandas內存優化，這一點項目中目前沒有，但是我最近的項目有用到，簡單說一下，通過對特征字段的數據類型向下轉換（比如int64轉為int8）降低對內存的使用，這里很重要，數據量大時很容易撐爆個人電腦的內存存儲；
上代碼：
# 載入波士頓房屋的數據集
data = pd.read_csv('housing.csv')
prices = data['MEDV']
features = data.drop('MEDV', axis = 1)
# 完成
print "Boston housing dataset has {} data points with {} variables each.".format(*data.shape)
Step 2 分析數據
加載數據后，不要直接就急匆匆的上各種處理手段，加各種模型，先慢一點，對數據進行一個初步的了解，了解其各個特征的統計值、分布情況、與目標特征的關系，最好進行可視化，這樣會看到很多意料之外的東西；
基礎統計運算
統計運算用於了解某個特征的整體取值情況，它的最大最小值，平均值中位數，百分位數等等，這些都是最簡單的對一個字段進行了解的手段；
上代碼：
#目標：計算價值的最小值
minimum_price = np.min(prices)# prices.min()
#目標：計算價值的最大值
maximum_price = np.max(prices)# prices.max()
#目標：計算價值的平均值
mean_price = np.mean(prices)# prices.mean()
#目標：計算價值的中值
median_price = np.median(prices)# prices.median()
#目標：計算價值的標准差
std_price = np.std(prices)# prices.std()
特征觀察
這里主要考慮各個特征與目標之間的關系，比如是正相關還是負相關，通常都是通過對業務的了解而來的，這里就延伸出一個點，機器學習項目通常來說，對業務越了解，越容易得到好的效果，因為所謂的特征工程其實就是理解業務、深挖業務的過程；
比如這個問題中的三個特征：
- RM：房間個數明顯應該是與房價正相關的；
- LSTAT：低收入比例一定程度上表示着這個社區的級別，因此應該是負相關；
- PTRATIO：學生/教師比例越高，說明教育資源越緊缺，也應該是負相關；
上述這三個點，同樣可以通過可視化的方式來驗證，事實上也應該去驗證而不是只靠主觀猜想，有些情況下，主觀感覺與客觀事實是完全相反的，這里要注意；
Step 3 數據划分
為了驗證模型的好壞，通常的做法是進行cv，即交叉驗證，基本思路是將數據平均划分N塊，取其中N-1塊訓練，並對另外1塊做預測，並比對預測結果與實際結果，這個過程反復N次直到每一塊都作為驗證數據使用過；
上代碼：
# 提示： 導入train_test_split
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE)
print X_train.shape
print X_test.shape
print y_train.shape
print y_test.shape
Step 4 定義評價函數
這里主要是根據問題來定義，比如分類問題用的最多的是准確率（精確率、召回率也有使用，具體看業務場景中更重視什么），回歸問題用RMSE（均方誤差）等等，實際項目中根據業務特點經常會有需要去自定義評價函數的時候，這里就比較靈活；
Step 5 模型調優
通過GridSearch對模型參數進行網格組合搜索最優，注意這里要考慮數據量以及組合后的可能個數，避免運行時間過長哈；
上代碼：
from sklearn.model_selection import KFold,GridSearchCV
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import make_scorer
def fit_model(X, y):
""" 基於輸入數據 [X,y]，利於網格搜索找到最優的決策樹模型"""
cross_validator = KFold()
regressor = DecisionTreeRegressor()
params = {'max_depth':[1,2,3,4,5,6,7,8,9,10]}
scoring_fnc = make_scorer(performance_metric)
grid = GridSearchCV(estimator=regressor, param_grid=params, scoring=scoring_fnc, cv=cross_validator)
# 基於輸入數據 [X,y]，進行網格搜索
grid = grid.fit(X, y)
# 返回網格搜索后的最優模型
return grid.best_estimator_
可以看到當時項目中選擇的是決策樹模型，現在看，樹模型在這種小數據集上其實是比較容易過擬合的，因此可以考慮用SVM代替，你也可以試試哈，我估計是SVM效果最好；
學習曲線
通過繪制分析學習曲線，可以對模型當前狀態有一個基本了解，如下圖：
可以看到，超參數max_depth為1和3時，明顯訓練分數過低，這說明此時模型有欠擬合的情況，而當max_depth為6和10時，明顯訓練分數和驗證分析差距過大，說明出現了過擬合，因此我們初步可以猜測，最佳參數在3和6之間，即4,5中的一個，其他參數一樣可以通過學習曲線來進行可視化分析，判斷是欠擬合還是過擬合，再分別進行針對處理；
小結
通過以上的幾步，可以非常簡單、清晰的看到一個機器學習項目的全流程，其實再復雜的流程也是這些簡單步驟的一些擴展，而更難的往往是對業務的理解，沒有足夠的理解很難得到好的結果，體現出來就是特征工程部分做的好壞，這里就需要各位小伙伴們奮發圖強了，路漫漫啊；
項目鏈接
- 通篇瀏覽可以通過nbviewer來看；
- 項目源文件、數據集文件可以通過GitHub波士頓項目獲取，歡迎Follow、Fork、Star；
最后
大家可以到我的Github上看看有沒有其他需要的東西，目前主要是自己做的機器學習項目、Python各種腳本工具、數據分析挖掘項目以及Follow的大佬、Fork的項目等：https://github.com/NemoHoHaloAi