基於python廈門思明區二手房價分析和預測

　　　　　　　　　　　　基於python廈門思明區二手房價分析和構建基於機器學習的房價預測模型

一，選題背景

　　網上有條段子，某地房價5w每平，月收入剛好過萬，掐指一算，命中注定買房是不可能的，這輩子都不可能買房，所以要定個小目標：“我真的還想再活500年······”。當然，房子雖貴，但是我可以學學科學的方法了解房價趨勢，做到心中有數，萬一買的起呢？

 

二，設計方案

1，爬蟲名稱：基於python廈門思明區二手房價分析和預測

2，爬蟲爬取的內容與數據特征分析：內容主要是：房屋信息；數據特征：房屋信息的歸一化與存儲

3，設計方案概述：房屋信息的爬取並歸一化與存儲，進行數據預處理與數據可視化，構建房價預測模型進行多特征模型訓練，得到構建基於機器學習的房價預測模型結果

 

三，結果特征分析

1，利用網絡爬蟲獲取廈門市思明區二手房信息

 

 

 

 

 

 

四，爬蟲程序設計

1，數據爬取與采集

# 使用 HTML.parser 解析器

import requests
from bs4 import BeautifulSoup
# requests返回網頁內容
res = requests.get(r'https://xm.esf.fang.com/house-a0352/')
#res.text

# BeautifulSoup解析網頁
soup = BeautifulSoup(res.text,'html.parser') # 使用 HTML.parser 解析器

def get_house(url):
    '獲取頁面中每個房子的信息'
    information = {} # 存儲房屋所有信息
    res = requests.get(url)
    soup = BeautifulSoup(res.text,'html.parser')
    
    # 獲取戶型、建築面積、單價、朝向、樓層、裝修情況
    houses = soup.select('.tab-cont-right .trl-item1') 
    #print(houses)
    for house in houses:
        me = house.text.strip().split('\n')
        information[me[1]] = me[0].strip()
    
    # 獲取小區名字
    name = soup.select('.rcont .blue')
    information['小區名稱'] = name[0].text
    
    # 獲取房屋總價
    price = soup.select('.trl-item')
    information['房屋總價'] = price[0].text
    print(information)

# 函數測試
get_house("https://xm.esf.fang.com/chushou/3_346676334.htm?channel=1,2&psid=1_15_60") # 每一頁中房子的url(注意：鏈接可能失效)

 

 

 

def get_page(n):
    '分頁爬取數據'
    for i in range(1,n+1): # n：爬取頁數
        url = r'https://xm.esf.fang.com/house-a0352/i3{}/'.format(i) # 總共多少頁
        res = requests.get(url)
        houses = BeautifulSoup(res.text,'html.parser')
        print(url)
        j  = 1
        houses = houses.select('.shop_list .clearfix h4 a') # 獲取每套房子的href
        for house in houses:
            try:
                demo_url = house['href']
                url = r'https://xm.esf.fang.com' + demo_url + '?channel=1,2&psid=1_{}_60'.format(j) # 每一頁中有多少套房子
                # 獲取當前頁面中每套房子的信息
                #get_house(url) 
                j += 1
            except Exception as e:
                print('-------->',e)
get_page(1)

 

 

 

房屋信息的歸一化與存儲

import requests
from bs4 import BeautifulSoup

def get_house(url):
    '獲取頁面中每個房子的信息'
    information = {} # 存儲房屋所有信息
    res = requests.get(url)
    soup = BeautifulSoup(res.text,'html.parser')
    
    # 獲取戶型、建築面積、單價、朝向、樓層、裝修情況
    houses = soup.select('.tab-cont-right .trl-item1') 
    for house in houses:
        m = house.text.strip().split('\n')
        me = m[1]
        if '朝向' in me:
            me = me.strip('進門') 
        if '樓層'in me:
            me = me[0:2]
        if '地上層數' in me:
            me = '樓層'
        if '裝修程度' in me:
            me = '裝修'
        information[me] = m[0].strip()
    
    # 獲取小區名字
    name = soup.select('.rcont .blue')
    information['小區名稱'] = name[0].text
    
    # 獲取房屋總價
    price = soup.select('.trl-item')
    information['房屋總價'] = price[0].text
    return information

# 函數測試
get_house("https://xm.esf.fang.com/chushou/3_346676334.htm?channel=1,2&psid=1_15_60") # 每一頁中房子的url

 

 

 

import pandas as pd
import time

def get_page(i):
    '分頁爬取數據'
    url = r'https://xm.esf.fang.com/house-a0352/i3{}/'.format(i) # 總共多少頁
    res = requests.get(url)
    houses = BeautifulSoup(res.text,'html.parser')
    #print(url)
    j  = 1
    houses = houses.select('.shop_list .clearfix h4 a')
    page_information = [] # 數據存儲
    for house in houses:
        try:
            demo_url = house['href']
            url = r'https://xm.esf.fang.com' + demo_url + '?channel=1,2&psid=1_{}_60'.format(j) # 每一頁中有多少套房子
            # 獲取當前頁中每套房子的信息
            information = get_house(url)
            print('正在爬取第{}頁第{}套房子···'.format(i,j),end='\r')
            page_information.append(information)
            j += 1
            time.sleep(0.5) # 預防爬取頻繁，防止ip被封
        except Exception as e:
            print('-------->',e)
    #將爬取的數據轉換為DataFrame格式
    df = pd.DataFrame(page_information)
    #df.to_csv('house_information.csv')
    return df
#get_page(1)

# 正式爬取數據並保存為csv數據

df = pd.DataFrame() # 創建一個空的DataFrame
name_csv = 'house_information_'
for i in range(1,101): # 總共爬取100頁數據
    try:
        df_get = get_page(i)
        df = df.append(df_get)
        print(df)
    except Exception as e:
        print('------->',e)
    if i/100 == 1:
        df.to_csv(name_csv+str(i)+'.csv')
        df = pd.DataFrame() # 清空當前爬取完成的數據，防止內存溢出

 

 

 

2、數據預處理

import numpy as np
import pandas as pd

data = pd.read_csv(r'house_information.csv') # 如果用pandas打不開數據，可以使用記事本打開把編碼格式改成utf-8另存
data.head()

 

 

 

data.drop('index',axis=1,inplace=True) # 刪除index列（用del更方便）
data.head()

 

 

 

# Series的extract支持正則匹配抽取，返回的值是字符串
data[['室','廳','衛']] = data['戶型'].str.extract(r'(\d+)室(\d+)廳(\d+)衛')

# 把字符串格式轉化為float，並刪除戶型
data['室'] = data['室'].astype(float)
data['廳'] = data['廳'].astype(float)
data['衛'] = data['衛'].astype(float)
del data['戶型']
data.head()

 

 

 

# 將建築面積后的平方米去除，並將數據類型改成浮點型
data['建築面積'] = data['建築面積'].map(lambda e:e.replace('平米',''))# Series中的map
data['建築面積'] = data['建築面積'].astype(float)
data.head()

 

 

 

# 將單價后的元/平米去除，並將數據類型改成浮點型
data['單價'] = data['單價'].map(lambda e:e.replace(r'元/平米',''))
data['單價'] = data['單價'].astype(float)
data.head()

 

 

 

# 將房屋總價后的萬去除，並將數據類型改成浮點型
data['房屋總價'] = data['房屋總價'].map(lambda e:e.replace('萬',''))
data['房屋總價'] = data['房屋總價'].astype(float)
data.head()

 

 

 

# 使用pd.get_dummies() 量化數據
data_direction = pd.get_dummies(data['朝向'])
data_direction.head()

 

 

 

# 使用pd.get_dummies() 量化數據
data_floor = pd.get_dummies(data['樓層'])
data_floor.head()

 

 

 

# 使用pd.get_dummies() 量化數據
data_decoration = pd.get_dummies(data['裝修'])
data_decoration.head()

 

 

 

# 使用pd.concat矩陣拼接，axis=1：水平拼接
data = pd.concat([data,data_direction,data_floor,data_decoration],axis=1) 

# 拼接后的列名
data.columns

 

 

 

# 特征帥選
del data['小區名稱']
del data['朝向']
del data['樓層']
del data['裝修']
del data['東西']
del data['南北']
del data['暫無'] # 兩列都刪除
del data['中層'] # 多重共線性問題（線性回歸）
del data['中裝修']
data.columns

 

 

 

data.head()

 

 

 

data.info() # 發現 室廳衛中 有缺失值

 

 

 

3、數據可視化

import matplotlib.pyplot as plt
area = data['建築面積']
price = data['房屋總價']
plt.scatter(area,price)
plt.show() # 有離群點數據，對線性分析不利，需要過濾

 

 

 

df = data[data['建築面積'] <=300] # 正常住宅面積小於等於300平米
area = df['建築面積']
price = df['房屋總價']
#print(area.count()) #過濾后的數據量
plt.scatter(area,price)
plt.xlabel("area")
plt.ylabel("price")
plt.show()

 

 

 

4、構建房價預測模型

# 先根據建築面積和房屋總價訓練模型（一元線性回歸）
from sklearn.linear_model import LinearRegression
linear = LinearRegression()
area = np.array(area).reshape(-1,1) # 這里需要注意新版的sklearn需要將數據轉換為矩陣才能進行計算
price = np.array(price).reshape(-1,1)
# 訓練模型
model = linear.fit(area,price)
# 打印截距和回歸系數
print(model.intercept_, model.coef_)

 

 

 

# 線性回歸可視化(數據擬合)
linear_p = model.predict(area)
plt.figure(figsize=(12,6))
plt.scatter(area,price)
plt.plot(area,linear_p,'red')
plt.xlabel("area")
plt.ylabel("price")
plt.show()

 

 

 

多特征模型訓練

cols = ['建築面積','室', '廳', '衛', '東', '東北', '東南', '北', '南', '西',
       '西北', '西南', '低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']

X = df[cols]
X.head()

 

 

 

y = df['房屋總價']
y.head()

 

 

 

print(type(X))
print(type(y))
# 使用train_test_split進行交叉驗證
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=12)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)

 

 

 

# 模型訓練
linear = LinearRegression()
model = linear.fit(x_train,y_train)
print(model.intercept_, model.coef_)

 

 

 

# 模型性能評分
price_end = model.predict(x_test)
score = model.score(x_test,y_test) 
print("模型得分：",score)# 一般模型在0.6以上就表現的不錯

 

 

 

使用多種特征組合都可以預測房價，那么怎么找出最佳組合，這里使用假設驗證法，選出最佳特征組合

# 使用假設驗證法，選出最佳特征組合
cols = ['建築面積','室', '廳', '衛', '東', '東北', '東南', '北', '南', '西',
       '西北', '西南', '低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']
import statsmodels.api as sm
Y = df['房屋總價']
X = df[cols]
X_ = sm.add_constant(X) #增加一列值為1的const列，保證偏置項的正常
#print(X_)
# 使用最小平方法
result = sm.OLS(Y,X_)
# 使用fit方法進行計算
summary = result.fit()
# 調用summary2方法打印出假設驗證信息（性能指標）
summary.summary2() # R-squared:模型評分 AIC：組合完越小越好

 

 

 #特征超過16個將發生異常

import itertools

list1 = [1, 2,3, 4, 5,6,7,8,9,10,11,12,13,14,15,16] 
list2 = []
for i in range(1, len(list1)+1):
    iter1 = itertools.combinations(list1, i)
    list2.append(list(iter1))
#print(list2)

# 使用itertools，找出AIC最小值的特征組合作為模型訓練的特征
# 尋找最小AIC值的特征組合

import itertools
fileds = ['建築面積','室', '廳', '衛', '東','北', '南', '西','低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']
acis = {}
for i in range(1,len(fileds)+1):
    for virables in itertools.combinations(fileds,i): #從fileds中隨機選擇i個特征機型組合，返回的virables為元組類型
        x1 = sm.add_constant(df[list(virables)])
        x2 = sm.OLS(Y,x1)
        res = x2.fit()
        acis[virables] = res.aic # AIC評分越小越好

from collections import Counter
# 對字典進行統計
counter = Counter(acis)
# 降序選出AIC最小的10個數，也就是最佳特征組合
counter.most_common()[-10:]

 

 

 

 

# 接下來使用AIC值最小的特征組合進行預測
col2 = ['建築面積', '室', '廳', '東', '南', '高層', '毛坯', '精裝修', '豪華裝修']
X = df[col2]
y = df['房屋總價']
x_train, x_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=13)
linear = LinearRegression()
model = linear.fit(x_train,y_train)
model.score(x_test,y_test) # 模型性能有所提高，但是提升的不明顯

 

 

5、房價的預測

現在我可以根據給定的最佳特征組合進行預測房價

# 假設我要買一套房子（想想就覺得很美），房子面積120平米，3室，1廳，南面，高層，精裝修
my_house = [120,3,1,0,1,1,0,1,0] #根據col2特征
my_house = np.array(my_house).reshape(-1,1).T
#print(x_test)
model.predict(my_house)# 預測價格

 

 完整代碼：

import requests
from bs4 import BeautifulSoup
# requests返回網頁內容
res = requests.get(r'https://xm.esf.fang.com/house-a0352/')
#res.text

# BeautifulSoup解析網頁
soup = BeautifulSoup(res.text,'html.parser') # 使用 HTML.parser 解析器



def get_house(url):
    '獲取頁面中每個房子的信息'
    information = {} # 存儲房屋所有信息
    res = requests.get(url)
    soup = BeautifulSoup(res.text,'html.parser')
    
    # 獲取戶型、建築面積、單價、朝向、樓層、裝修情況
    houses = soup.select('.tab-cont-right .trl-item1') 
    #print(houses)
    for house in houses:
        me = house.text.strip().split('\n')
        information[me[1]] = me[0].strip()
    
    # 獲取小區名字
    name = soup.select('.rcont .blue')
    information['小區名稱'] = name[0].text
    
    # 獲取房屋總價
    price = soup.select('.trl-item')
    information['房屋總價'] = price[0].text
    print(information)

# 函數測試
get_house("https://xm.esf.fang.com/chushou/3_346676334.htm?channel=1,2&psid=1_15_60") # 每一頁中房子的url(注意：鏈接可能失效)



def get_page(n):
    '分頁爬取數據'
    for i in range(1,n+1): # n：爬取頁數
        url = r'https://xm.esf.fang.com/house-a0352/i3{}/'.format(i) # 總共多少頁
        res = requests.get(url)
        houses = BeautifulSoup(res.text,'html.parser')
        print(url)
        j  = 1
        houses = houses.select('.shop_list .clearfix h4 a') # 獲取每套房子的href
        for house in houses:
            try:
                demo_url = house['href']
                url = r'https://xm.esf.fang.com' + demo_url + '?channel=1,2&psid=1_{}_60'.format(j) # 每一頁中有多少套房子
                # 獲取當前頁面中每套房子的信息
                #get_house(url) 
                j += 1
            except Exception as e:
                print('-------->',e)
get_page(1)



import requests
from bs4 import BeautifulSoup

def get_house(url):
    '獲取頁面中每個房子的信息'
    information = {} # 存儲房屋所有信息
    res = requests.get(url)
    soup = BeautifulSoup(res.text,'html.parser')
    
    # 獲取戶型、建築面積、單價、朝向、樓層、裝修情況
    houses = soup.select('.tab-cont-right .trl-item1') 
    for house in houses:
        m = house.text.strip().split('\n')
        me = m[1]
        if '朝向' in me:
            me = me.strip('進門') 
        if '樓層'in me:
            me = me[0:2]
        if '地上層數' in me:
            me = '樓層'
        if '裝修程度' in me:
            me = '裝修'
        information[me] = m[0].strip()
    
    # 獲取小區名字
    name = soup.select('.rcont .blue')
    information['小區名稱'] = name[0].text
    
    # 獲取房屋總價
    price = soup.select('.trl-item')
    information['房屋總價'] = price[0].text
    return information

# 函數測試
get_house("https://xm.esf.fang.com/chushou/3_346676334.htm?channel=1,2&psid=1_15_60") # 每一頁中房子的url



import pandas as pd
import time

def get_page(i):
    '分頁爬取數據'
    url = r'https://xm.esf.fang.com/house-a0352/i3{}/'.format(i) # 總共多少頁
    res = requests.get(url)
    houses = BeautifulSoup(res.text,'html.parser')
    #print(url)
    j  = 1
    houses = houses.select('.shop_list .clearfix h4 a')
    page_information = [] # 數據存儲
    for house in houses:
        try:
            demo_url = house['href']
            url = r'https://xm.esf.fang.com' + demo_url + '?channel=1,2&psid=1_{}_60'.format(j) # 每一頁中有多少套房子
            # 獲取當前頁中每套房子的信息
            information = get_house(url)
            print('正在爬取第{}頁第{}套房子···'.format(i,j),end='\r')
            page_information.append(information)
            j += 1
            time.sleep(0.5) # 預防爬取頻繁，防止ip被封
        except Exception as e:
            print('-------->',e)
    #將爬取的數據轉換為DataFrame格式
    df = pd.DataFrame(page_information)
    #df.to_csv('house_information.csv')
    return df
#get_page(1)




# 正式爬取數據並保存為csv數據

df = pd.DataFrame() # 創建一個空的DataFrame
name_csv = 'house_information_'
for i in range(1,101): # 總共爬取100頁數據
    try:
        df_get = get_page(i)
        df = df.append(df_get)
        print(df)
    except Exception as e:
        print('------->',e)
    if i/100 == 1:
        df.to_csv(name_csv+str(i)+'.csv')
        df = pd.DataFrame() # 清空當前爬取完成的數據，防止內存溢出



import numpy as np
import pandas as pd

data = pd.read_csv(r'house_information.csv') # 如果用pandas打不開數據，可以使用記事本打開把編碼格式改成utf-8另存
data.head()


data.drop('index',axis=1,inplace=True) # 刪除index列（用del更方便）
data.head()


# Series的extract支持正則匹配抽取，返回的值是字符串
data[['室','廳','衛']] = data['戶型'].str.extract(r'(\d+)室(\d+)廳(\d+)衛')


# 把字符串格式轉化為float，並刪除戶型
data['室'] = data['室'].astype(float)
data['廳'] = data['廳'].astype(float)
data['衛'] = data['衛'].astype(float)
del data['戶型']
data.head()



# 將建築面積后的平方米去除，並將數據類型改成浮點型
data['建築面積'] = data['建築面積'].map(lambda e:e.replace('平米',''))# Series中的map
data['建築面積'] = data['建築面積'].astype(float)
data.head()



# 將單價后的元/平米去除，並將數據類型改成浮點型
data['單價'] = data['單價'].map(lambda e:e.replace(r'元/平米',''))
data['單價'] = data['單價'].astype(float)
data.head()



# 將房屋總價后的萬去除，並將數據類型改成浮點型
data['房屋總價'] = data['房屋總價'].map(lambda e:e.replace('萬',''))
data['房屋總價'] = data['房屋總價'].astype(float)
data.head()



# 使用pd.get_dummies() 量化數據
data_direction = pd.get_dummies(data['朝向'])
data_direction.head()



# 使用pd.get_dummies() 量化數據
data_floor = pd.get_dummies(data['樓層'])
data_floor.head()



# 使用pd.get_dummies() 量化數據
data_decoration = pd.get_dummies(data['裝修'])
data_decoration.head()



# 使用pd.concat矩陣拼接，axis=1：水平拼接
data = pd.concat([data,data_direction,data_floor,data_decoration],axis=1) 



# 拼接后的列名
data.columns


# 特征帥選
del data['小區名稱']
del data['朝向']
del data['樓層']
del data['裝修']
del data['東西']
del data['南北']
del data['暫無'] # 兩列都刪除
del data['中層'] # 多重共線性問題（線性回歸）
del data['中裝修']
data.columns



data.head()

data.info() # 發現 室廳衛中 有缺失值


# 刪除缺失值
data.dropna(inplace=True)
data.info() 


import matplotlib.pyplot as plt
area = data['建築面積']
price = data['房屋總價']
plt.scatter(area,price)
plt.show() # 有離群點數據，對線性分析不利，需要過濾



df = data[data['建築面積'] <=300] # 正常住宅面積小於等於300平米
area = df['建築面積']
price = df['房屋總價']
#print(area.count()) #過濾后的數據量
plt.scatter(area,price)
plt.xlabel("area")
plt.ylabel("price")
plt.show()




# 先根據建築面積和房屋總價訓練模型（一元線性回歸）
from sklearn.linear_model import LinearRegression
linear = LinearRegression()
area = np.array(area).reshape(-1,1) # 這里需要注意新版的sklearn需要將數據轉換為矩陣才能進行計算
price = np.array(price).reshape(-1,1)
# 訓練模型
model = linear.fit(area,price)
# 打印截距和回歸系數
print(model.intercept_, model.coef_)



# 線性回歸可視化(數據擬合)
linear_p = model.predict(area)
plt.figure(figsize=(12,6))
plt.scatter(area,price)
plt.plot(area,linear_p,'red')
plt.xlabel("area")
plt.ylabel("price")
plt.show()




cols = ['建築面積','室', '廳', '衛', '東', '東北', '東南', '北', '南', '西',
       '西北', '西南', '低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']

X = df[cols]
X.head()

y = df['房屋總價']
y.head()

print(type(X))
print(type(y))
# 使用train_test_split進行交叉驗證
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=12)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)



# 模型訓練
linear = LinearRegression()
model = linear.fit(x_train,y_train)
print(model.intercept_, model.coef_)



# 模型性能評分
price_end = model.predict(x_test)
score = model.score(x_test,y_test) 
print("模型得分：",score)# 一般模型在0.6以上就表現的不錯



# 使用假設驗證法，選出最佳特征組合
cols = ['建築面積','室', '廳', '衛', '東', '東北', '東南', '北', '南', '西',
       '西北', '西南', '低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']
import statsmodels.api as sm
Y = df['房屋總價']
X = df[cols]
X_ = sm.add_constant(X) #增加一列值為1的const列，保證偏置項的正常
#print(X_)
# 使用最小平方法
result = sm.OLS(Y,X_)
# 使用fit方法進行計算
summary = result.fit()
# 調用summary2方法打印出假設驗證信息（性能指標）
summary.summary2() # R-squared:模型評分 AIC：組合完越小越好




import itertools

list1 = [1, 2,3, 4, 5,6,7,8,9,10,11,12,13,14,15,16] 
list2 = []
for i in range(1, len(list1)+1):
    iter1 = itertools.combinations(list1, i)
    list2.append(list(iter1))
#print(list2)




import itertools
fileds = ['建築面積','室', '廳', '衛', '東','北', '南', '西','低層', '高層', '毛坯', '簡裝修', '精裝修', '豪華裝修']
acis = {}
for i in range(1,len(fileds)+1):
    for virables in itertools.combinations(fileds,i): #從fileds中隨機選擇i個特征機型組合，返回的virables為元組類型
        x1 = sm.add_constant(df[list(virables)])
        x2 = sm.OLS(Y,x1)
        res = x2.fit()
        acis[virables] = res.aic # AIC評分越小越好



from collections import Counter
# 對字典進行統計
counter = Counter(acis)
# 降序選出AIC最小的10個數，也就是最佳特征組合
counter.most_common()[-10:] 




# 接下來使用AIC值最小的特征組合進行預測
col2 = ['建築面積', '室', '廳', '東', '南', '高層', '毛坯', '精裝修', '豪華裝修']
X = df[col2]
y = df['房屋總價']
x_train, x_test, y_train, y_test = train_test_split(X,y,test_size=0.2,random_state=13)
linear = LinearRegression()
model = linear.fit(x_train,y_train)
model.score(x_test,y_test) # 模型性能有所提高，但是提升的不明顯




# 假設我要買一套房子（想想就覺得很美），房子面積120平米，3室，1廳，南面，高層，精裝修
my_house = [120,3,1,0,1,1,0,1,0] #根據col2特征
my_house = np.array(my_house).reshape(-1,1).T
#print(x_test)
model.predict(my_house)# 預測價格

 

五，總結

　　經過對數據的分析與可視化，可以得到：使用假設驗證法，選出最佳特征組合，打印出假設驗證性能指標，對預期的目標已經達到了，這設計多特征模型訓練機器學習的模型結果表現不錯。