基于LinearRegression的波士顿房价预测

LinearRegression中文叫做线性回归，是一种基础、常用的回归方法。

2018年8月22日笔记
sklearn官方英文用户使用指南：https://sklearn.org/user_guide.html
sklearn翻译中文用户使用指南：http://sklearn.apachecn.org/cn/0.19.0/user_guide.html

0.打开jupyter notebook

不知道怎么打开jupyter notebook的朋友请查看我的入门指南文章：https://www.jianshu.com/p/bb0812a70246

1.载入数据集

波士顿房价数据集详细中文解释链接：http://sklearn.apachecn.org/cn/0.19.0/datasets/index.html#boston-house-prices
网页中内容截图如下：

image.png

查看数据集对象的属性和方法，代码如下：

 

from sklearn.datasets import load_boston
dir(load_boston())

上面一段代码的运行结果如下：

['DESCR', 'data', 'feature_names', 'target']

查看数据集的描述，即打印数据集对象的DESCR属性，代码如下：

from sklearn.datasets import load_boston
print(load_boston().DESCR)

与上图中文文档的图对照阅读，可以加强对数据集的理解。
上面一段代码的运行结果如下图所示：

 

image.png

将506个样本13个特征组成的矩阵赋值给变量X，变量X为大写字母的原因是数学中表示矩阵使用大写字母。
将506个样本1个预测目标值组成的矩阵赋值给变量y。
载入数据集的代码如下：

from sklearn.datasets import load_boston

X = load_boston().data
y = load_boston().target

2.数据观察

使用pandas库完成数据分析阶段的任务。
首先实例化1个DataFrame对象赋值给变量df，DataFrame对象类似于Excel表格。
查看变量df的前10行，代码如下：

import pandas as pd

df = pd.DataFrame(X, columns=load_boston().feature_names)
df.head(10)

上面一段代码的运行结果如下图所示：

 

image.png

查看变量df中是否有空值，如果有空值，则需要对其进行处理，代码如下：

df.info()

上面一段代码的运行结果如下图所示：

image.png

从上图的结果我们可以看出，数据总共有506行，13列。
在数据科学领域中，一般称事物的属性为字段，13个字段中都有506个非空的float64类型的数值，即没有空值。
从上图的最后1行可以看出，该表格总共占用内存51.5KB。
在计算机科学中，B表示Byte，中文叫做字节，b表示bit，中文叫做比特，1Byte = 8bit。
占用内存的计算也并不复杂，1个float64类型的数值占用64bit,即8Byte，则总共13*506*8/1024=51.39KB。
占用内存51.5KB比51.39KB略大，原因是表格中除了数据还得存储一些描述信息。

 

表格聚合运算的中文与英文简写对照如下表所示：

中文名	英文名
计数	count
平均值	mean
标准差	std
最小值	min
下四分位数	25%
中位数	50%或median
上四分位数	75%
最大值	max

.T表示对矩阵进行转置
查看变量df中各个字段的计数、平均值、标准差、最小值、下四分位数、中位数、上四分位、最大值，代码如下：

df.describe().T

上面一段代码的运行结果如下图所示：

 

image.png

3.特征提取

机器学习有60%以上的时间会被用于特征提取。
我们需要使用数据分析得出有用的特征，数据可视化来展示数据分析结果。
使用matplotlib库画图时，导入画板对象plt和防止中文出现乱码，一定要先运行下面3行代码，后面不再重复。

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

3.1 字段CRIM分析

CRIM表示城镇人均犯罪率，把它作为x轴的数值。
朴素的想法是如果一个城镇犯罪率很高，则社会不稳定，经济不发达，房价不会过高。
绘制城镇人均犯罪率与房价散点图，代码如下：

plt.scatter(df['CRIM'], y)
plt.title('城镇人均犯罪率与房价散点图')
plt.xlabel('城镇人均犯罪率')
plt.ylabel('房价')
plt.show()

上面一段代码的运行结果如下：

 

城镇人均犯罪率与房价散点图.png

分析结论：
1.高房价的房屋都集中在低犯罪率地区；
2.城镇人均犯罪率超过20%的情况下，房价最高不高于20；
3.城镇人均犯罪率处于(10, 20)区间的情况下，房价最高不高于30。

3.2 字段ZN分析

ZN表示住宅用地所占比例，把它作为x轴的数值。
绘制住宅用地所占比例与房价散点图，代码如下：

plt.scatter(df['ZN'], y)
plt.title('住宅用地所占比例与房价散点图')
plt.xlabel('住宅用地所占比例')
plt.ylabel('房价')
plt.yticks(range(0,60,5))
plt.grid()
plt.show()

上面一段代码的运行结果如下：

 

image.png

分析结论：
1.两者之间的线性关系不明显；
2.在住宅用地所占比例等于0的情况下，房价可以为任意值；
3.在住宅用地所占比例大于0的情况下，房价最低不低于15；
4.在住宅用地所占比例处于(40，80)区间的情况下，房价最高不高过40；
5.在住宅用地所占比例超过80的情况下，房价最低不低于30。

在编程当中，相同运行逻辑的代码出现2次是可以容忍的，但是出现3次及以上需要对此部分代码进行封装成函数。
对绘制散点图的代码封装如下：

def drawScatter(x, y, xlabel):
    plt.scatter(x, y)
    plt.title('%s与房价散点图' %xlabel)
    plt.xlabel(xlabel)
    plt.ylabel('房价')
    plt.yticks(range(0,60,5))
    plt.grid()
    plt.show()

3.3 字段INDUS分析

INDUS表示城镇中非商业用地的所占比例，把它作为x轴的数值。
plt.yticks方法指定y轴的刻度，plt.grid方法为绘制网格。
绘制城镇中非商业用地所占比例与房价散点图，代码如下：

drawScatter(df['INDUS'], y, '城镇中非商业用地所占比例')

上面一段代码的运行结果如下：

 

image.png

分析结论：
1.当城镇中非商业用地所占比例处于(0, 5)区间的情况下，房价处于(15, 50)区间；
2.当城镇中非商业用地所占比例处于(7, 15)区间的请况下，房价处于(10, 30)区间；
3.当城镇中非商业用地所占比例高于25的情况下，房价最高不高于25。

3.4 字段CHAS分析

CHAS表示地产是否处于查尔斯河边，1表示在河边，0表示不在河边。
绘制是否处于查尔斯河边与房价散点图，代码如下：

plt.xticks([0,1])
drawScatter(df['CHAS'], y, '是否处于查尔斯河边')

上面一段代码的运行结果如下图所示：

 

是否处于查尔斯河边与房价散点图.png

分析结论：
1.地产不在查尔斯河边的情况下，房价处于(5,55)区间；
2.地产在查尔斯河边的情况下，房价最低不低于10。

3.5 字段NOX分析

NOX表示一氧化氮的浓度，把它作为x轴的数值。
朴素的想法是一氧化氮为有毒气体，浓度过高的地区不适宜人居住，房价不会过高。
或者可以认为，浓度过高的地区靠近工业区，工业区房价比商业区房价低。
绘制一氧化氮浓度与房价散点图，代码如下：

drawScatter(df['NOX'], y, '一氧化氮浓度')

上面一段代码的运行结果如下图所示：

 

一氧化氮浓度与房价散点图.png

分析结论：
1.一氧化氮浓度高于0.7的情况下，房价最高不高于30，绝大部分不高于25；
2.一氧化氮处于(0.6, 0.7)区间的情况下，房价可能出现最低值；
3.一氧化氮低于0.5的情况下，房价绝大部分高于15。

3.6 字段RM分析

RM表示每栋住宅的房间数，把它作为x轴的数值。
朴素的想法是每栋住宅的房间数越多，则住宅面积越大，房价越高。
绘制住宅房间数与房价散点图，代码如下：

drawScatter(df['RM'], y, '住宅房间数')

上面一段代码的运行结果如下图所示：

 

image.png

分析结论：
1.两者之间存在较强的线性关系；
2.住宅房间数处于(4, 5)区间的情况下，房价绝大部分最高不超过25；
3.住宅房间数处于(5, 6)区间的情况下，房价绝大部分最高不超过30；
4.住宅房间数处于(6, 7)区间的情况下，房价绝大部分最高不超过40；
5.住宅房间数处于(7, 8)区间的情况下，房价绝大部分最低不低于30。

3.7 字段AGE分析

AGE表示1940年以前建成的业主自住单位的占比，把它作为x轴的数值。
绘制1940年以前建成的业主自住单位的占比与房价散点图，代码如下：

drawScatter(df['AGE'], y, '1940年以前建成的业主自住单位的占比')

上面一段代码的运行结果如下图所示：

 

1940年以前建成的业主自住单位的占比与房价散点图.png

分析结论：
1.自住单位的占比处于(0, 60)的情况下，房价最低不会低于15。

3.8 字段DIS分析

DIS表示距离5个波士顿就业中心的平均距离，把它作为x轴的数值。
朴素的想法是距离就业中心近则上下班距离近，人更愿意住在上下班距离近的地方，根据市场规律，需求高则房价会高。
绘制距离5个就业中心的平均距离与房价散点图，代码如下：

drawScatter(df['DIS'], y, '距离5个就业中心的平均距离')

上面一段代码的运行结果如下图所示：

 

距离5个就业中心的平均距离与房价散点图.png

分析结论：
1.平均距离小于2的情况下，房价处于(5, 55)区间；
2.平均距离处于(2, 6)的情况下，房价最低不低于10；
3.平均距离大于6的情况下，房价最低不低于15。

3.9 字段RAD分析

RAD表示距离高速公路的便利指数，把它作为x轴的数值。
朴素的想法是距离高速公路的便利越高，则越受欢迎，房价越高。
绘制距离高速公路的便利指数与房价散点图，代码如下：

drawScatter(df['RAD'], y, '距离高速公路的便利指数')

上面一段代码的运行结果如下图所示：

 

距离高速公路的便利指数与房价散点图.png

分析结论：
1.绝大多数房价高于30的房产，都集中在距离高速公路的便利指数低的地区；
2.距离高速公路的便利程度处于(6,10)区间时，房价最低不低于15；
3.朴素的想法与数据分析结果相反。

3.10 字段TAX分析

TAX每一万美元的不动产税率，把它作为x轴的数值。
绘制不动产税率与房价散点图，代码如下：

drawScatter(df['TAX'], y, '不动产税率')

上面一段代码的运行结果如下图所示：

 

image.png

分析结论：
1.不动产税率小于200的情况下，房价最低不低于15；
2.不动产税率小于500的情况下，房价最低不低于10；
3.只有在税率大于600的情况下，房价会低于10。

3.11 字段PTRATIO分析

PTRATIO表示城镇中学生教师比例，把它作为x轴的数值。
朴素的想法是教师较多的情况下，则教育资源多，房价也较高。
绘制学生教师比例与房价散点图，如下图所示：

drawScatter(df['PTRATIO'], y, '学生教师比例')

上面一段代码的运行结果如下图所示：

 

image.png

分析结论：
1.学生教师比例小于14的情况下，房价最低不低于20，绝大部分高于30；
2.学生教师比例处于(14, 20)区间的情况下，房价最低不低于10；
3.只有在学生教师比例大于20的情况下，房价会低于10，绝大部分不高于30。

3.12 字段B分析

B表示城镇中黑人比例，把它作为x轴的数值。
绘制黑人比例与房价散点图，如下图所示：

drawScatter(df['B'], y, '黑人比例')

上面一段代码的运行结果如下图所示：

 

image.png

分析结论：
1.只有在黑人比例高于350的地区，房价会高于30。
2.黑人比例处于(0, 100)区间的情况下，房价最高不高于20；
3.黑人比例处于(100,350)区间的情况下，房价最高不高于30。

3.13字段LSTAT分析

LSTAT表示低收入阶层占比，把它作为x轴的数值。
朴素的想法是低收入阶层占比低，则经济发展程度较高，则房价较高。

drawScatter(df['LSTAT'], y, '低收入阶层占比')

上面一段代码的运行结果如下图所示：

 

image.png

分析结论：
1.只有低收入阶层占比小于10的情况下，房价会高于35；
2.低收入阶层占比小于5的情况下，房价最低不低于20；
3.低收入阶层占比处于(10,20)区间的情况下，房价处于(10, 30)区间；
4.低收入阶层占比大于20的情况下，房价最高不高于25。

4.数据处理

根据字段分析的结果，提取出新的特征，做成字段。
分箱形成的新字段通过pd.concat方法连接组成表格赋值给变量cut_df，pd.concat方法返回值数据类型为DataFrame。
新字段表格与原表格继续通过pd.concat方法连接组成表格赋值给new_df。

field_cut = {
    'CRIM' : [0,10,20, 100],
    'ZN' : [-1, 5, 18, 20, 40, 80, 86, 100], 
    'INDUS' : [-1, 7, 15, 23, 40],
    'NOX' : [0, 0.51, 0.6, 0.7, 0.8, 1],
    'RM' : [0, 4, 5, 6, 7, 8, 9],
    'AGE' : [0, 60, 80, 100],
    'DIS' : [0, 2, 6, 14],
    'RAD' : [0, 5, 10, 25],
    'TAX' : [0, 200, 400, 500, 800],
    'PTRATIO' : [0, 14, 20, 23],
    'B' : [0, 100, 350, 450],
    'LSTAT' : [0, 5, 10, 20, 40]
}

cut_df = pd.DataFrame()
for field in field_cut.keys():
    cut_series = pd.cut(df[field], field_cut[field], right=True)
    onehot_df = pd.get_dummies(cut_series, prefix=field)
    cut_df = pd.concat([cut_df, onehot_df], axis=1)
new_df = pd.concat([df, cut_df], axis=1)
new_df.head()

上面一段代码的运行结果如下图所示：

 

image.png

5.线性回归模型

在评判线性回归模型的效果时，使用交叉验证更加客观和具有说服力。
下面介绍2种交叉验证的写法：
第1种交叉验证的写法，使用sklearn.model_selection中的KFold方法做交叉验证。

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import KFold
import numpy as np

X = new_df.values
score_list = []
kf = KFold(n_splits=5, shuffle=True)
for train_index, test_index in kf.split(X):
    train_X = X[train_index]
    test_X = X[test_index]
    train_y = y[train_index]  
    test_y = y[test_index]
    linear_model = LinearRegression()
    linear_model.fit(train_X, train_y)
    score = linear_model.score(test_X, test_y)
    score_list.append(score)
    print(score)
np.mean(score_list)

上面一段代码的运行结果如下图所示：

 

image.png

第2种交叉验证的写法，使用sklearn.model_selection中的cross_val_score方法做交叉验证。
cross_val_score方法需要4个参数，第1个参数是模型对象，第2个参数是特征矩阵，第3个参数是预测目标，第4个关键字参数cv可以为整数或交叉验证对象。

from sklearn.model_selection import cross_val_score

linear_model = LinearRegression()
kf = KFold(n_splits=5, shuffle=True)
score_ndarray = cross_val_score(linear_model, X, y, cv=kf)
print(score_ndarray)
score_ndarray.mean()

上面一段代码的运行结果如下图所示：

 

image.png

6.学习更多

更多关于如何提高波士顿房价预测得分的内容，请阅读我的另一篇文章《基于xgboost+GridSearchCV的波士顿房价预测》
文章链接：https://www.jianshu.com/p/f34f22258a0a

作者：潇洒坤
链接：https://www.jianshu.com/p/f828eae005a1
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。