0基础学习kagge比赛，机器学习，人工智能入门2

选择建模数据

您的数据集包含太多变量，难以理解，甚至无法很好地打印出来。您该如何将这大量的数据精简到您能够理解的程度？

我们将首先使用直觉选择一些变量。以后的课程将向您展示如何使用统计技术自动优先考虑变量。

为了选择变量/列，我们需要查看数据集中所有列的列表。可以使用 DataFrame 的 columns 属性来实现（下面是代码的最后一行）。

import pandas as pd

melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_data = pd.read_csv(melbourne_file_path) 
melbourne_data.columns

上述代码会显示数据集中的所有列，如下所示：

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

墨尔本数据中有一些缺失值（一些房屋的一些变量没有记录）。我们将在以后的教程中学习如何处理缺失值。不过，您的爱荷华数据在您使用的列中没有缺失值。因此，我们将采取最简单的选择，即从我们的数据中删除房屋。现在不用太担心这一点，尽管代码如下：

# dropna drops missing values (think of na as "not available")
melbourne_data = melbourne_data.dropna(axis=0)

有很多方法可以选择数据的子集。Pandas 课程更详细地介绍了这些内容，但我们现在将专注于两种方法。

1. 使用点符号进行选择，用于选择“预测目标”。
2. 使用列列表进行选择，用于选择“特征”。

选择预测目标

您可以使用点符号提取一个变量。这个单独的列存储在一个 Series 中，它在很大程度上类似于只有单列数据的 DataFrame。

我们将使用点符号选择我们要预测的列，称为预测目标。按照惯例，预测目标被称为 y。因此，我们需要保存墨尔本数据中房价的代码如下：

y = melbourne_data.Price

选择“特征”

输入我们的模型（以及后来用于预测的）的列称为“特征”。在我们的情况下，这些将是用于确定房屋价格的列。有时，您将使用除目标以外的所有列作为特征。其他时候，使用较少的特征可能更好。

现在，我们将构建一个仅包含几个特征的模型。稍后，您将看到如何迭代并比较使用不同特征构建的模型。

我们通过在括号内提供列名的列表来选择多个特征。该数据按照惯例称为 X。

melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']
X = melbourne_data[melbourne_features]

让我们快速查看我们将用于预测房价的数据，使用 describe 方法和 head 方法，它们分别显示数据的统计信息和前几行。

X.describe() 

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()

   

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

这些命令的视觉检查是数据科学家工作中的重要部分。您经常会在数据集中发现值得进一步检查的惊喜。

构建您的模型

您将使用 scikit-learn 库来创建模型。在编码时，该库被写为 sklearn，正如您将在示例代码中看到的那样。Scikit-learn 是对通常存储在 DataFrame 中的数据建模的最流行的库。

构建和使用模型的步骤如下：

1. 定义：它将是什么类型的模型？决策树？某种其他类型的模型？还规定了模型类型的一些其他参数。
2. 拟合：从提供的数据中捕捉模式。这是建模的核心。
3. 预测：就像听起来的那样
4. 评估：确定模型预测的准确性。

以下是使用 scikit-learn 定义决策树模型并使用特征和目标变量进行拟合的示例。

from sklearn.tree import DecisionTreeRegressor

# 定义模型。为确保每次运行都获得相同的结果，指定 random_state 的数字
melbourne_model = DecisionTreeRegressor(random_state=1)

# 拟合模型
melbourne_model.fit(X, y)

DecisionTreeRegressor(random_state=1)

许多机器学习模型允许在模型训练中引入一些随机性。指定 random_state 的数字确保您在每次运行时都获得相同的结果。这被认为是一种良好的做法。您可以使用任何数字，模型质量不会实质性地取决于您选择的确切值。

现在，我们有了一个已拟合的模型，我们可以用来进行预测。

实际上，您将希望为新上市的房屋进行预测，而不是我们已经有价格的房屋。但我们将为训练数据的前几行进行预测，以了解 predict 函数的工作原理。

print("Making predictions for the following 5 houses:")
print(X.head())
print("The predictions are")
print(melbourne_model.predict(X.head()))

Making predictions for the following 5 houses:
   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
The predictions are
[1035000. 1465000. 1600000. 1876000. 1636000.]

以上是对前5行房屋进行预