ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测

2021/6/15 20:33:37

本文主要是介绍ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测

 

 

 

 

目录

输出结果

设计思路

核心代码


 

 

 

 

 

 

输出结果

1、输出基本信息


bj_data.info():
Int64Index: 48324 entries, 418423 to 627466
Data columns (total 22 columns):
introduction_house    48324 non-null object
community_house       48324 non-null object
href_house            48324 non-null object
unit_house            48324 non-null object
size_house            48324 non-null object
direction_house       48324 non-null object
decoration_house      48313 non-null object
elevator_house        47437 non-null object
type_house            48324 non-null object
years_house           48311 non-null object
area_house            48324 non-null object
interests_house       48324 non-null object
watch_times           48324 non-null object
submit_period         0 non-null float64
years_period          39804 non-null object
tax_free              45673 non-null object
total_price           48324 non-null float64
smeter_price          48324 non-null object
region                48324 non-null object
info_cluster          0 non-null object
info_flood            0 non-null object
info_follow           0 non-null object

bj_data.head():
 introduction_house community_house                                           href_house unit_house size_house direction_house decoration_house elevator_house type_house years_house area_house interests_house watch_times  submit_period years_period tax_free  total_price smeter_price region info_cluster info_flood info_follow
418423  长城脚下,精装修别墅,满五唯一,业主诚意出售。           清凉盛景   https://bj.lianjia.com/ershoufang/101103236018.html       5室3厅   269.93平米             南 北               精装            NaN    底层(共2层)        暂无数据       延庆其它            3人关注        0次带看            NaN          NaN    房本满五年        998.0  单价36973元/平米     bj          NaN        NaN         NaN
418424  商品房  满五年  家庭名下一套住房  环境好           清凉盛景   https://bj.lianjia.com/ershoufang/101102750912.html       4室2厅   269.93平米             南 北               精装            NaN         2层  2010年建暂无数据       延庆其它           14人关注        0次带看            NaN          NaN    房本满五年       1250.0  单价46309元/平米     bj          NaN        NaN         NaN
418425           湖南小区 2室1厅 179万           湖南小区   https://bj.lianjia.com/ershoufang/101103256056.html       2室1厅    71.45平米             南 北               其他            NaN   中楼层(共6层)  1996年建暂无数据       延庆其它            8人关注        0次带看            NaN          NaN    房本满五年        179.0  单价25053元/平米     bj          NaN        NaN         NaN
418426          清凉盛景 4室2厅 1180万           清凉盛景   https://bj.lianjia.com/ershoufang/101103166425.html       4室2厅   252.16平米             南 北               精装            NaN    底层(共2层)  2010年建暂无数据       延庆其它            0人关注        0次带看            NaN          NaN    房本满五年       1180.0  单价46796元/平米     bj          NaN        NaN         NaN
424545        君山别墅 边户独栋 391平毛坯房           君山别墅   https://bj.lianjia.com/ershoufang/101101025128.html       3室2厅   391.86平米             南 北               毛坯            NaN    底层(共2层)  2011年建暂无数据       密云其它          107人关注        1次带看            NaN        房本满两年    房本满五年       1000.0  单价25520元/平米     bj          NaN        NaN         NaN

2.2.1、处理【size_house】列

2.2.2、处理【size-interests_house】、【watch_times】、【smeter_price】列

2.2.3、处理【unit_house】列

2.2.4、处理【type_house】列

2.2.5、处理【year_house】列:

 

2.3、处理【direction_house】列

2.4、缺失值处理

Percentage of missing values
               Feature  Unique_values  Percentage of missing values  Percentage of values in the biggest category     type
21         info_follow              0                    100.000000                                    100.000000   object
13       submit_period              0                    100.000000                                    100.000000  float64
20          info_flood              0                    100.000000                                    100.000000   object
19        info_cluster              0                    100.000000                                    100.000000   object
14        years_period              1                     17.630991                                     82.369009   object
15            tax_free              1                      5.485887                                     94.514113   object
7       elevator_house              6                      1.835527                                     62.018873   object
9          years_house            210                      0.026902                                      3.186822   object
6     decoration_house             15                      0.022763                                     49.163976   object
18              region              1                      0.000000                                    100.000000   object
17        smeter_price          35405                      0.000000                                      0.066220   object
16         total_price           1804                      0.000000                                      1.338879  float64
0   introduction_house          47779                      0.000000                                      0.014486   object
12         watch_times             93                      0.000000                                     33.451287   object
1      community_house           5674                      0.000000                                      0.360070   object
10          area_house            235                      0.000000                                      3.029551   object
8           type_house            291                      0.000000                                      8.718235   object
5      direction_house            207                      0.000000                                     45.348067   object
4           size_house          15283                      0.000000                                      0.091052   object
3           unit_house             79                      0.000000                                     36.845046   object
2           href_house          48323                      0.000000                                      0.004139   object
11     interests_house            638                      0.000000                                      2.460475   object

bj_data.shape():after drop 
(48324, 14)

bj_data.head():after drop
       unit_house size_house direction_house decoration_house elevator_house type_house years_house area_house interests_house watch_times years_period tax_free  total_price smeter_price
418423       5室3厅   269.93平米             南 北               精装            NaN    底层(共2层)        暂无数据       延庆其它            3人关注        0次带看          NaN    房本满五年        998.0  单价36973元/平米
418424       4室2厅   269.93平米             南 北               精装            NaN         2层  2010年建暂无数据       延庆其它           14人关注        0次带看          NaN    房本满五年       1250.0  单价46309元/平米
418425       2室1厅    71.45平米             南 北               其他            NaN   中楼层(共6层)  1996年建暂无数据       延庆其它            8人关注        0次带看          NaN    房本满五年        179.0  单价25053元/平米
418426       4室2厅   252.16平米             南 北               精装            NaN    底层(共2层)  2010年建暂无数据       延庆其它            0人关注        0次带看          NaN    房本满五年       1180.0  单价46796元/平米
424545       3室2厅   391.86平米             南 北               毛坯            NaN    底层(共2层)  2011年建暂无数据       密云其它          107人关注        1次带看        房本满两年    房本满五年       1000.0  单价25520元/平米

bj_data.head():【size_house】drop+numerical
结果:
 ········
total_price         48324 non-null float64
smeter_price        48324 non-null object
dtypes: float64(2), object(12)
memory usage: 5.5+ MB
None
       unit_house  size_house1 direction_house decoration_house elevator_house type_house years_house area_house interests_house watch_times years_period tax_free  total_price smeter_price
418423       5室3厅       269.93             南 北               精装            NaN    底层(共2层)        暂无数据       延庆其它            3人关注        0次带看          NaN    房本满五年        998.0  单价36973元/平米
418424       4室2厅       269.93             南 北               精装            NaN         2层  2010年建暂无数据       延庆其它           14人关注        0次带看          NaN    房本满五年       1250.0  单价46309元/平米
418425       2室1厅        71.45             南 北               其他            NaN   中楼层(共6层)  1996年建暂无数据       延庆其它            8人关注        0次带看          NaN    房本满五年        179.0  单价25053元/平米
418426       4室2厅       252.16             南 北               精装            NaN    底层(共2层)  2010年建暂无数据       延庆其它            0人关注        0次带看          NaN    房本满五年       1180.0  单价46796元/平米
424545       3室2厅       391.86             南 北               毛坯            NaN    底层(共2层)  2011年建暂无数据       密云其它          107人关注        1次带看        房本满两年    房本满五年       1000.0  单价25520元/平米

bj_data.head():【interests_house】、【watch_times】、【smeter_price】, Regularization
结果:
····
 unit_house  size_house1  smeter_price1  watch_times1  interests_house1 direction_house decoration_house elevator_house type_house years_house area_house years_period tax_free  total_price
418423       5室3厅       269.93          36973             0                 3             南 北               精装            NaN    底层(共2层)        暂无数据       延庆其它          NaN    房本满五年        998.0
418424       4室2厅       269.93          46309             0                14             南 北               精装            NaN         2层  2010年建暂无数据       延庆其它          NaN    房本满五年       1250.0
418425       2室1厅        71.45          25053             0                 8             南 北               其他            NaN   中楼层(共6层)  1996年建暂无数据       延庆其它          NaN    房本满五年        179.0
418426       4室2厅       252.16          46796             0                 0             南 北               精装            NaN    底层(共2层)  2010年建暂无数据       延庆其它          NaN    房本满五年       1180.0
424545       3室2厅       391.86          25520             1               107             南 北               毛坯            NaN    底层(共2层)  2011年建暂无数据       密云其它        房本满两年    房本满五年       1000.0

bj_data.head():【unit_house】, structure new features
结果·······
 size_house1  rooms  living_room  bedroom  smeter_price1  watch_times1  interests_house1 direction_house decoration_house elevator_house type_house years_house area_house years_period tax_free  total_price
418423       269.93    8.0          3.0      5.0          36973             0                 3             南 北               精装            NaN    底层(共2层)        暂无数据       延庆其它          NaN    房本满五年        998.0
418424       269.93    6.0          2.0      4.0          46309             0                14             南 北               精装            NaN         2层  2010年建暂无数据       延庆其它          NaN    房本满五年       1250.0
418425        71.45    3.0          1.0      2.0          25053             0                 8             南 北               其他            NaN   中楼层(共6层)  1996年建暂无数据       延庆其它          NaN    房本满五年        179.0
418426       252.16    6.0          2.0      4.0          46796             0                 0             南 北               精装            NaN    底层(共2层)  2010年建暂无数据       延庆其它          NaN    房本满五年       1180.0
424545       391.86    5.0          2.0      3.0  

 

设计思路

核心代码

from sklearn.base import BaseEstimator, TransformerMixin, RegressorMixin, clone

class AveragingModels(BaseEstimator, TransformerMixin, RegressorMixin): 
    def __init__(self, models):
        self.models = models
        
    def fit(self, X, y):
        self.models_ = [clone(x) for x in self.models]
        
        # Train cloned base models
        for model in self.models_:
            model.fit(X, y)

        return self

    def predict(self, X):
        predictions = np.column_stack([
            model.predict(X) for model in self.models_ ])
        return np.mean(predictions, axis=1) 

Averaged_models = AveragingModels(models = (LiR_model, Ridge_model, Lasso_model, ElasticNet_model))          
Averaged_models_score = rmse_cv(Averaged_models, X, y)     


param_grid2 = {'max_depth': range(30, 60, 5), 'min_samples_split':range(2, 11, 1)}
gs2 = GridSearchCV(estimator=gs1.best_estimator_, param_grid=param_grid2, scoring='neg_mean_squared_error', cv=3, verbose=0)
gs2.fit(X_train, y_train)


param_grid3 = {'max_features': range(10, 250, 8)}
gs3 = GridSearchCV(estimator=gs2.best_estimator_, param_grid=param_grid3, scoring='neg_mean_squared_error', cv=3, verbose=0)
gs3.fit(X_train, y_train)
                                        

 

 

 



这篇关于ML之FE:基于LiR/Ridge/Lasso/ElasticNet/AvgModels/RF算法(GSCV) 利用某市房价数据集(特征工程处理)进行房价回归预测的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!


扫一扫关注最新编程教程