初识机器学习（一）：Kaggle下的测试学习

新手上路，自然是横冲直撞。虽然英语不咋样，还是选择在Kaggle上面跟随学习。在对Python有一些基础的了解后，便开始直接从比赛中磨练自己。点开Kaggle里learn提供的一些教程，跟随教程迈出第一步。

• 首先要具备的一些知识：
  除了Python的一些基础知识（至少也得能看懂代码），还需要Python里一些不错的包，在数据处理时用的最多的就是 numpy、pandas。（目前了解尚浅，只好先艾特大佬的博客了）

墨尔本房价预测

教程中提供了一个关于墨尔本房价预测的事例来辅助学习。
假设你家里要买房，目前某地正在建一些房子，手头也就那么多钞票，总要对房价有一个大概的估计。
而你手头只有一些这座城市里往年的一些房子信息（比如路段、房间数、房子大小、几个卧室、几个厕所…）这样子问题就来了，究竟该如何根据这些已知的数据进行有效的预测呢？这当然不能用简简单单的“我估摸着”这种话来敷衍，于是会了几行代码的你就找到了机器学习作为工具。
开始高大上的工作之前，我们得汇总这些信息，将它们汇集成一个表格，输出为csv文件。

• csv文件的读取

这里我们就需要用到pandas里的read_csv方法了

import pandas as pd
data = './melb_data.csv'
home_data = pd.read_csv(data)
home_data.columns#显示所有的列

这里我的引入方法是由于放在当前工作目录下，所以直接使用相对地址，一般来说导入应用../input/

• 数据可视化分析（仅pandas下）

这里常用的是pandas下的pd.head()和pd.describe()方法
pd.head()默认显示数据的前五行，当然在括号里输入其他数字就可以显示头几行了。与之对应，有pd.tail()显示数据尾部几行，默认五行
而pd.describe()则是显示数据和、平均值、标准差、最小值、25%、50%、75%、最大值的统计数据，是数据分析和缺失值处理时不错的工具

Y = home_data.Price
Use_columns = ['Rooms','Bedroom2','Bathroom','Landsize']
#采用这几列作为数据分析需要的列
X = home_data[Use_columns]#将需要的数据列名为X
X.describe()#统计选取列的信息

X.head()

刚刚入门，先不弄数据挖掘和缺失值处理的东西。
上面代码中我们已经定义了X和Y，就像函数里一样，X是输入，Y是输出，也就是我们现在需要的的预测值。

• 模型的引入与训练（决策树）

在这里我们采用比较入门的决策树模型，这些机器学习模型都需要从一个库sklearn里引入。（这里给出官网）

from sklearn.tree import DecisionTreeRegressor
model_1 = DecisionTreeRegressor(random_state = 1)
model_1.fit(X,Y)#训练模型

经过这一步的训练，我们建立的模型已经有它基本的智能了，接下来就可以进行结果的预测了。

predictions = model_1.predict(X.head())
print(predictions)

为了看看我们花了这么久搞定的第一个模型到底几斤几两，我们把正确的值输出对比一下

#输出正确的数据对比一下
print(Y.head())

然而，现实总是这样，当你希望的小火苗刚刚升腾，他就突然一盆凉水…
为什么会偏差这么大呢？显然，回想一下我们做了些什么，首先X就只选了部分数据，然后呢，铁着头就把数据往树里扔，没有做任何处理。那人家模型当然也不干了，好啊，扔一堆废品进来，那我也吐一堆废品出去好了。这就涉及到数据分析和处理的知识了，这也是机器学习问题里比较核心的问题，如何输入优秀的数据让自己的模型更加灵敏。

从实战中学习往往是最快的，接下来我将用我这半吊子（估计连半吊子都算不上）的能力去Kaggle上实战学习了，实战中才能暴露问题，找出更多细节
QAQ
欢迎大家加我微信：hxq_1254971884 来拍砖啊，本人萌新，急需大佬大腿orz