sklearn pipeline_sklearn-pipeline用法实例——房价预测

【搬运自同人博客】

sklearn-pipeline机器学习实例（housing数据集） - qq_36810398的博客 - CSDN博客

一、问题描述

这个实例原型是《Hands On Machine Learning with Sklearn and Tensorflow》书第二章End-to-End Machine Learning Project的课后题，题目的解答和正文掺杂在一起，我做了一些整理，也有一些补充（所以不敢保证没有纰漏）。仅供需要的同学批判性地参考，顺便给自己当一个笔记。 :) 　　

数据集是来自 https://github.com/ageron/handson-ml 下的master/datasets/housing，简而言之，就是根据房子的一些属性来预测房子的价格。数据文件中一共有10个字段，具体地，特征

X＝{'longitude','latitude','housing_median_age','total_rooms',　'total_bedrooms','population','households','median_income','ocean_proximity'}，

其中'ocean_proximity'为文本类型，表示房子靠海的程度，只有5种情况——{'NEAR BAY', '<1H OCEAN', 'INLAND', 'NEAR OCEAN', 'ISLAND'}。

标签 　　　　　　　　　　　

Y={'median_house_value'}，

为连续型数据，因此此为一个多元回归问题。该问题的示意图略图如下：

二、Pipeline处理流程示意图

上图中间即为该end-to-end机器学习模型的流程图（pipeline），其中两侧的6个框中的即为pipeline的组件，亦即本模型的操作。需要说明的有以下几点：

（1）本数据中“分类型数据”不含异常值，因为异常值处理没有组件；

（2）其中Imputer和StandardScaler为python自带的类，其他的类是需要自己编写；

（3）其中LabelBinary类，直接用会报错，原因见于　https://stackoverflow.com/questions/46162855/fit-transform-takes-2-positional-arguments-but-3-were-given-with-labelbinarize ，

修改方法是自己在此类的基础上做一下修改，得到新类MyLabelBinary(见代码中)。

【更详细的内容，请参考原书或下述代码】

三、实例代码

import 

上述程序的的输出结果在准确率上并不高，因为为了提高速度，GridSearchCV都是用了最简单的参数，可以扩大参数范围，提高精度。