前言:上一篇对AQI进行了分析,这一篇根据对以往的数据,建立一个模型,可以将模型应用于未知的数据,来进行AQI的预测。
文章目录
1、加载相关库和数据集
- 使用的库主要有:pandas、numpy、matplotlib、seaborn、sklearn
- 使用的数据集:2015年空气质量指数(AQI)数据集
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
sns.set(style="darkgrid")
plt.rcParams["font.family"] = "SimHei" # 设置可以显示中文字体
plt.rcParams["axes.unicode_minus"] = False
warnings.filterwarnings("ignore") # 忽略警告信息
data = pd.read_csv("AQI_data.csv") # AQI历史数据集
2、数据处理和转换
2.1 简单的数据处理
# 空值、重复值处理
data.fillna({
"Precipitation": data["Precipitation"].median()}, inplace=True)
data.drop_duplicates(inplace=True)
2.2 数据转换
- 对于模型来说,内部进行的都是数学上的运算,所以在进行建模之前,我们需要对类别变量进行数据转换,变成离散变量。
# 将类别变量(是,否)转成离散变量(1,0)
data["Coastal"] = data["Coastal"].map({
"是": 1, "否": 0})
data["Coastal"].value_counts()
3、建立基模型
- 不进行任何处理,建立一个基模型,后续的操作都可以在此基础上进行改进。
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
X = data.drop(["City","AQI"], axis=1) # 城市名称对结果不会有影响,所以去除城市列
y = data["AQI"]
# 切分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
lr = LinearRegression()
lr.fit(X_train, y_train) # 使用训练集训练模型
print("训练集R^2:",lr.score(X_train, y_train))
print("测试集R^2:",lr.score(X_test, y_test))
------------------------
训练集R^2: 0.4685357478390665
测试集R^2: 0.3075998035417721
y_hat = lr.predict(X_test)
plt.figure(figsize=(15, 5))
plt.plot(y_test.values, "-r", label="真实值", marker="o")
plt.plot(y_hat, "-g", label="预测值", marker="D")
plt.legend(loc="upper left")
plt.title("线性回归预测结果", fontsize=20)
4、特征选择
- 建立基模型时选择了所有的特征建立模型,但是特征并非越多越好,有些特征可能对模型质量并没有什么改善,我们可以进行删除,同时也可以提高模型训练速度。
- 特征选择的方式有很多,常用的有RFECV方法
4.1 RFECV
- RFECV分成两个部分,分别为RFE和CV。
- RFE(Recursive Feature Elimination):递归特征消除,用来对特征进行重要性评级。
(1)初始的特征集为所有可用的特征
(2)使用当前特征集进行建模,然后计算每个特征的重要性。
(3)删除最不重要的一个(或多个)特征,更新特征集。
(4)跳转到步骤(2),直到完成所有特征的重要性评级。
- CV(Cross Validation):交叉验证,在特征评级后,通过交叉验证,选择最佳数量的特征。
(1)根据RFE阶段确定的特征重要性,依次选择不同数量的特征。
(2)对选定的特征集进行交叉验证
(3)确定平均分最高的特征数量,完成特征选择。
4.2 使用RFECV进行特征选择
from sklearn.feature_selection import RFECV
# estimator: 要操作的模型,step: 每次删除的变量数,cv: 使用的交叉验证折数
# n_jobs: 并发的数量, scoring: 评估的方式。
rfecv = RFECV(estimator=lr, step=1, cv=5, n_jobs=-1, scoring="r2")<