你的第一个机器学习模型

为模型选择数据

你的数据集有很多 变量/variables 令你无法都记下来，或甚至不能很好的打印显示出来，如何将大量的数据减少为你可以理解的内容？

首先，我们用直觉选几个变量，之后的课程会告诉你一些统计技术来自动确定变量的优先级。

要选择变量/列，我们需要查看关于在数据集中所有列（columns）的一个列表，下面的是用 DataFramed 的 列/columns 属性完成的。

In [1]

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

Out [1]

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

In [2]

# The Melbourne data has some missing values (some houses for which some variables weren't recorded.)
# We'll learn to handle missing values in a later tutorial.  
# Your Iowa data doesn't have missing values in the columns you use.
# So we will take the simplest option for now, and drop houses from our data.
# Don't worry about this much for now, though the code is:
# dropna drops missing values (think of na as "not available")
melbourne_data = melbourne_data.dropna(axis=0)

有很多方法去选择一数据的子集，Pandas微课程有更深的介绍，但现在我们会专注两个方法。

1. 点表示法，我们用于选择“预测目标”（prediction target）

2. 选择包含列的列表，我们用来下选择“特征”（features)

选择预测目标

可以使用点表示法取出变量，此单列存储在一个 Series 中，它大致上类似于只有一列数据的 DataFrame。

使用点表示法选择我们想要预测的列,该列称为预测目标。按照惯例，预测目标称为 y。因此,我们需要在墨尔本数据中保存房价的代码是

In [3]

y = melbourne_data.Price

选择特征

输入到我们的模型中的列(后来用于预测)称为”特征”。在我们的例子中，这些列是用来确定房价的列。有时，您将使用目标以外的所有列作为特征。其他时候，使用较少的特征会更好。

现在，构建一个只使用几个特征的模型。稍后，您将了解如何迭代和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列表来选择多个特征，该列表中的每个项都应是一个字符串(带引号)。 下 面是一个示例:

In [4]

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

按照惯例，我们把这种数据叫做 X

In [5]

X = melbourne_data[melbourne_features]

让咱们快速查看下咱们用来预测房屋价格的数据，使用 descibe 方法和用来展示头几行数据的 head 方法

In [6]

X.describe()

Out [6]

In [7]

X.head()

Out [7]

构建你的模型

你将使用 scikit-learn 库来生成你的而模型，当编程时，这个库写作 sklearn，你会在示例代码中看到。Scikit-learn 是用于对通常存储在 DataFrame 中的数据类型进行建模的最流行的库。

建立和使用模型的步骤：

• 定义/Define 它是什么类型的模型？决策树？还是其他模型？还有模型的其他参数也需要被确定。

• 拟合/Fit 从提供的数据采集模式，这是生成模型的核心。

• 预测/Predict 跟它的名字一样。

• 验证/Evaluete 检测模型的预测能力有多准确。

In [8]

from sklearn.tree import DecisionTreeRegressor
# Define model. Specify a number for random_state to ensure same results each run
melbourne_model = DecisionTreeRegressor(random_state=1)
# Fit model
melbourne_model.fit(X, y)

Out [8]

DecisionTreeRegressor(criterion='mse', max_depth=None, max_features=None,
           max_leaf_nodes=None, min_impurity_decrease=0.0,
           min_impurity_split=None, min_samples_leaf=1,
           min_samples_split=2, min_weight_fraction_leaf=0.0,
           presort=False, random_state=1, splitter='best')

很多机器学习模型在模型训练中允许一些随机性，为 random_state 指定一个数字可以确保你每次运行都能得到一个相同的结果，这被认为是一种好的做法。你能使用任何数据，而且模型质量不会有意义地依赖于你选择地值。

我们现在有一个拟合好的模型，我们可以用它来进行预测。

在实践中,你会想预测市场上新的房子，而不是我们已经有价格的房子。但是，要对训练数据的前几行进行预测，以查看预测函数的运转情况。

In [9]

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.]

接下来

尝试它在模型构建练习