机器学习入门项目分享 - 波士顿房价预测
该分享源于Udacity机器学习进阶中的一个mini作业项目，用于入门非常合适，刨除了繁琐的部分，保留了最关键、基本的步骤，能够对机器学习基本流程有一个最清晰的认识；
项目描述
利用马萨诸塞州波士顿郊区的房屋信息数据训练和测试一个模型，并对模型的性能和预测能力进行测试；
项目分析
数据集字段解释：
RM: 住宅平均房间数量；LSTAT: 区域中被认为是低收入阶层的比率；PTRATIO: 镇上学生与教师数量比例；MEDV: 房屋的中值价格（目标特征，即我们要预测的值）；
其实现在回过头来看，前三个特征应该都是挖掘后的组合特征，比如RM，通常在原始数据中会分为多个特征：一楼房间、二楼房间、厨房、卧室个数、地下室房间等等，这里应该是为了教学简单化了；
MEDV为我们要预测的值，属于回归问题，另外数据集不大（不到500个数据点），小数据集上的回归问题，现在的我初步考虑会用SVM，稍后让我们看看当时的选择；
Show Time
Step 1 导入数据
注意点：
- 如果数据在多个csv中（比如很多销售项目中，销售数据和店铺数据是分开两个csv的，类似数据库的两张表），这里一般要连接起来；
- 训练数据和测试数据连接起来，这是为了后续的数据处理的一致，否则训练模型时会有问题（比如用训练数据训练的模型，预测测试数据时报错维度不一致）；
- 观察下数据量，数据量对于后续选择算法、可视化方法等有比较大的影响，所以一般会看一下；
- pandas内存优化，这一点项目中目前没有，但是我最近的项目有用到，简单说一下，通过对特征字段的数据类型向下转换（比如int64转为int8）降低对内存的使用，这里很重要，数据量大时很容易撑爆个人电脑的内存存储；
上代码：
代码语言：javascript复制 # 载入波士顿房屋的数据集
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 分析数据
加载数据后，不要直接就急匆匆的上各种处理手段，加各种模型，先慢一点，对数据进行一个初步的了解，了解其各个特征的统计值、分布情况、与目标特征的关系，最好进行可视化，这样会看到很多意料之外的东西；
基础统计运算
统计运算用于了解某个特征的整体取值情况，它的最大最小值，平均值中位数，百分位数等等，这些都是最简单的对一个字段进行了解的手段；
上代码：
代码语言：javascript复制 #目标：计算价值的最小值
minimum_price = np.min(prices)# prices.min()
#目标：计算价值的最大值
maximum_price = np.max(prices)# prices.max()
#目标：计算价值的平均值
mean_price = np.mean(prices)# prices.mean()
#目标：计算价值的中值
median_price = np.median(prices)# prices.median()
#目标：计算价值的标准差
std_price = np.std(prices)# prices.std()特征观察
这里主要考虑各个特征与目标之间的关系，比如是正相关还是负相关，通常都是通过对业务的了解而来的，这里就延伸出一个点，机器学习项目通常来说，对业务越了解，越容易得到好的效果，因为所谓的特征工程其实就是理解业务、深挖业务的过程；
比如这个问题中的三个特征：
- RM：房间个数明显应该是与房价正相关的；
- LSTAT：低收入比例一定程度上表示着这个社区的级别，因此应该是负相关；
- PTRATIO：学生/教师比例越高，说明教育资源越紧缺，也应该是负相关；
上述这三个点，同样可以通过可视化的方式来验证，事实上也应该去验证而不是只靠主观猜想，有些情况下，主观感觉与客观事实是完全相反的，这里要注意；
Step 3 数据划分
为了验证模型的好坏，通常的做法是进行cv，即交叉验证，基本思路是将数据平均划分N块，取其中N-1块训练，并对另外1块做预测，并比对预测结果与实际结果，这个过程反复N次直到每一块都作为验证数据使用过；
上代码：
代码语言：javascript复制 # 提示： 导入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.shapeStep 4 定义评价函数
这里主要是根据问题来定义，比如分类问题用的最多的是准确率（精确率、召回率也有使用，具体看业务场景中更重视什么），回归问题用RMSE（均方误差）等等，实际项目中根据业务特点经常会有需要去自定义评价函数的时候，这里就比较灵活；
Step 5 模型调优
通过GridSearch对模型参数进行网格组合搜索最优，注意这里要考虑数据量以及组合后的可能个数，避免运行时间过长哈；
上代码：
代码语言：javascript复制 from sklearn.model_selection import KFold,GridSearchCV
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import make_scorer
def fit_model(X, y):
""" 基于输入数据 [X,y]，利于网格搜索找到最优的决策树模型"""
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)
# 基于输入数据 [X,y]，进行网格搜索
grid = grid.fit(X, y)
# 返回网格搜索后的最优模型
return grid.best_estimator_可以看到当时项目中选择的是决策树模型，现在看，树模型在这种小数据集上其实是比较容易过拟合的，因此可以考虑用SVM代替，你也可以试试哈，我估计是SVM效果最好；
学习曲线
通过绘制分析学习曲线，可以对模型当前状态有一个基本了解，如下图：
可以看到，超参数max_depth为1和3时，明显训练分数过低，这说明此时模型有欠拟合的情况，而当max_depth为6和10时，明显训练分数和验证分析差距过大，说明出现了过拟合，因此我们初步可以猜测，最佳参数在3和6之间，即4,5中的一个，其他参数一样可以通过学习曲线来进行可视化分析，判断是欠拟合还是过拟合，再分别进行针对处理；
小结
通过以上的几步，可以非常简单、清晰的看到一个机器学习项目的全流程，其实再复杂的流程也是这些简单步骤的一些扩展，而更难的往往是对业务的理解，没有足够的理解很难得到好的结果，体现出来就是特征工程部分做的好坏，这里就需要各位小伙伴们奋发图强了，路漫漫啊；
项目链接
- 通篇浏览可以通过nbviewer来看；
- 项目源文件、数据集文件可以通过GitHub波士顿项目获取，欢迎Follow、Fork、Star；
