机器学习之挖掘melb_data.csv数据

mel_data.csv是关于melb地区房屋的数据##

---

mel_data.csv

import pandas as pd

melbourne_file_path = "E:\data\Melbourne Housing Snapshot\melb_data.csv"
melbourne_data = pd.read_csv(melbourne_file_path)  #读数据

melbourne_data.columns  #读取属性名

Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
       'Date', 'Distance', 'Postcode', 'Bedroom2', 'Bathroom', 'Car',
       'Landsize', 'BuildingArea', 'YearBuilt', 'CouncilArea', 'Lattitude',
       'Longtitude', 'Regionname', 'Propertycount'],
      dtype='object')

#这里忽略缺失值
melbourne_data = melbourne_data.dropna(axis=0)

#可以使用点符号来提取变量。这一列存储在一个Series中，它大致类似于只有一列数据的DataFrame。
#我们将使用点符号来选择我们想要预测的列，这称为预测目标。按照惯例，预测目标称为y。
y = melbourne_data.Price  #选取预测目标属性

#筛选变量属性
melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']

x = melbourne_data[melbourne_features]  #简单清洗后的数据

x.describe()  #数据描述

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	Rooms	Bathroom	Landsize	Lattitude	Longtitude
count	6196.000000	6196.000000	6196.000000	6196.000000	6196.000000
mean	2.931407	1.576340	471.006940	-37.807904	144.990201
std	0.971079	0.711362	897.449881	0.075850	0.099165
min	1.000000	1.000000	0.000000	-38.164920	144.542370
25%	2.000000	1.000000	152.000000	-37.855438	144.926198
50%	3.000000	1.000000	373.000000	-37.802250	144.995800
75%	4.000000	2.000000	628.000000	-37.758200	145.052700
max	8.000000	8.000000	37000.000000	-37.457090	145.526350

x.head()  #head函数默认取数据集前5行，观察数据集有时能发现惊喜

.dataframe tbody tr th:only-of-type {
vertical-align: middle;
}

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	Rooms	Bathroom	Landsize	Lattitude	Longtitude
1	2	1.0	156.0	-37.8079	144.9934
2	3	2.0	134.0	-37.8093	144.9944
4	4	1.0	120.0	-37.8072	144.9941
6	3	2.0	245.0	-37.8024	144.9993
7	2	1.0	256.0	-37.8060	144.9954

#导入sklearn，选择决策树
from sklearn.tree import DecisionTreeRegressor
#定义模型的随机参数以确保每次运行结果相同
melbourne_model = DecisionTreeRegressor(random_state=1)
#创建模型
melbourne_model.fit(x,y)

DecisionTreeRegressor(criterion='mse', max_depth=None, max_features=None,
           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,
           presort=False, random_state=1, splitter='best')

#对训练数据的前几行进行预测(这样做基本没意义，后面我们会看到)
print('对前5行数据做预测')
print(x.head())
print('预测结果是：')
print(melbourne_model.predict(x.head()))

对前5行数据做预测
   Rooms  Bathroom  Landsize  Lattitude  Longtitude
1      2       1.0     156.0   -37.8079    144.9934
2      3       2.0     134.0   -37.8093    144.9944
4      4       1.0     120.0   -37.8072    144.9941
6      3       2.0     245.0   -37.8024    144.9993
7      2       1.0     256.0   -37.8060    144.9954
预测结果是：
[ 1035000.  1465000.  1600000.  1876000.  1636000.]

#上面我们的预测结果出来了，那如何评价我们的模型的预测能力？
#我们很自然的想到将预测结果越接近现实越好，能掐会算、料事如神那更好
#我们可以将预测值与实际值比较，得出一个误差，那这个误差越小就代表预测越准
#我们有很多行数据，我们将这些误差求和做平均就得到一个模型的平均误差
#这个平均误差被称为mean absolute error 平均绝对误差MAE，它是一个简单的评价指标
from sklearn.metrics import mean_absolute_error

predicted_home_prices = melbourne_model.predict(x)
mean_absolute_error(y, predicted_home_prices)

1115.7467183128902

#我们来看看，MAE是1115.7，相比百万级的房价误差很小了，我们的预测很精准？
#是，看起来还不错，但这里预测的是模型已知的数据，这是事后诸葛亮
#把考试原题研究了一波，再去考试那结果能不好吗？
#我们创建模型的目标是什么？我们想要从这些数据中挖掘规律，去预测我们想知道但不知道的东西
#这里我们想知道的东西是房价，所以我们评价模型的预测能力要使用模型未使用过的数据
#就像严格的考试很少出现原题，只有这样才能考出真实水平
#我们的模型评价也要用未使用过的数据才能得出真实的预测能力
#这个未使用过的数据我们称为validation data验证数据，用于验证模型能力
from sklearn.model_selection import train_test_split

# split data into training and validation data, for both features and target
# The split is based on a random number generator. Supplying a numeric value to
# the random_state argument guarantees we get the same split every time we
# run this script.
train_x, val_x, train_y, val_y = train_test_split(x, y, random_state = 0)
# Define model
melbourne_model = DecisionTreeRegressor()
# Fit model
melbourne_model.fit(train_x, train_y)

# get predicted prices on validation data
val_predictions = melbourne_model.predict(val_x)
print(mean_absolute_error(val_y, val_predictions))

274669.096837

#上面我们将数据分为训练数据和测试数据，用训练数据得到的模型去预测测试数据
#wow，MAE已经达到十万级，与百万级的房价相比这个误差是惊人的
#我们看到这个模型考试做原题表现不错，但不考原题就表现极其差
#所以我们测试模型时一定不能、不能、不能用训练数据，我们要用validation data