Kaggle入门级赛题：房价预测——数据挖掘篇

摘要：到这里，我们经过以上步骤处理过的数据，就可以喂给分类器进行训练了。一般来说，单个分类器的效果有限。我们会倾向于把多个分类器合在一起，做一个综合分类器以达到最好的效果。比理论上更高级点，它也是揽来一把的分类器。

我们注意到 MSSubClass 其实是一个 category 的值：

all_df["MSSubClass"].dtypes

有：

dtype("int64")

它不应该做为数值型的值进行统计。因此，进行强制类型转换，把它变回 string：

df["MSSubClass"] =df["MSSubClass"].astype(str) 

然后，统计其出现频次：

all_df["MSSubClass"].value_counts()

就很清楚的了解 MSSubClass 特征了。

当我们用 numerical 来表达 categorical 的时候要注意，数字本身有大小的含义，所以乱用数字会给之后的模型学习带来麻烦。这里我们可以用 One-Hot 的方法来表达 category。

pandas 自带的get_dummies方法，可以做到一键 One-Hot：

pd.get_dummies(df["MSSubClass"], prefix="MSSubClass").head()

效果如下：

此时，MSSubClass 被我们分成了 12 列，每列代表一个 category，是为 1，否为 0。

所以，同理。接下来，我们需要把所有的 category 数据全部一键 One-Hot：

all_dummy_df = pd.get_dummies(df)
all_dummy_df.head()

此时，数据长这样子：

接下来，我们来处理 numerical 的数据。

首先查看 One-Hot 后的缺失值：

all_dummy_df.isnull().sum().sort_values(ascending=False).head(10)

我们需要对这些缺失值进行处理，这里采用平均值来填充空缺：

mean_cols = all_dummy_df.mean()
all_dummy_df = all_dummy_df.fillna(mean_cols)

再次查看是否有缺失值：

all_dummy_df.isnull().sum().sum()

显示为 0，即缺失值都已被填充。

到这里，我们经过以上步骤处理过的数据，就可以喂给分类器进行训练了。为了让数据更加规整化，数据间的差距不要太大，在一个标准分布内，也就是数据平滑化。我们对那些本来就是 numerical 的数据进行处理（与 One-Hot 的 0/1 数据不同）。

首先，我们来查看哪些是 numerical 的数据：

numeric_cols = df.columns[df.dtypes != "object"]
numeric_cols

采用公式(X-X")/s，计算标准分布：

numeric_col_means = all_dummy_df.loc[:, numeric_cols].mean()
numeric_col_std = all_dummy_df.loc[:, numeric_cols].std()
all_dummy_df.loc[:, numeric_cols] = (all_dummy_df.loc[:, numeric_cols] - numeric_col_means) / numeric_col_std

得到的数据如下：

all_dummy_df.head()

以上就完成了对数据的处理。

首先，把数据集分回训练集和测试集：

dummy_train_df = all_dummy_df.loc[train_df.index]
dummy_test_df = all_dummy_df.loc[test_df.index]

首先采用 Ridge Regression 模型，因为对于多因子的数据集，这种模型可以方便的把所有的变量都一股脑的放进去，我们先用这种模型做实验。

为了更好的使用 Sklearn，我在这里把 DataFrame 转化成 Numpy Array（这一步不是必须）：

X_train = dummy_train_df.values
X_test = dummy_test_df.values

把数据放到模型里跑一遍，用 Sklearn 自带的 cross validation 方法来测试模型：

from sklearn.linear_model import Ridge
from sklearn.model_selection import cross_val_score

alphas = np.logspace(-3, 2, 50)
test_scores=[]
for alpha in alphas:
    clf = Ridge(alpha)
    test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=10, scoring="neg_mean_squared_error"))
    test_scores.append(np.mean(test_score))

存下所有的 CV 值，看看哪个 alpha 值更好，也就是我们常说的调参数：

plt.plot(alphas, test_scores)
plt.title("Alpha vs CV Error")
plt.xlabel("alpha")
plt.ylabel("CV Error")

可以看到，当 alpha 为 10 到 20 的时候，CV Error 达到最低 0.135 左右。也就是说大约 alpha = 15 的时候给了我们最好的结果。

一般来说，单个分类器的效果有限。我们会倾向于把多个分类器合在一起，做一个“综合分类器”以达到最好的效果。所以接下来我们要做的事就是 ensemble。

Ensemble 的方法有 Bagging 和 Boosting 两大类。Bagging 把很多的小分类器放在一起，每个训练随机的一部分数据，然后采用多数投票制把它们的最终结果综合起来。Boosting 比 Bagging 理论上更高级点，它也是揽来一把的分类器。但是把他们线性排列。下一个分类器把上一个分类器分类得不好的地方加上更高的权重，这样下一个分类器就能在这个部分学得更加“深刻”。下面我们分别来看一下。

Bagging

from sklearn.ensemble import BaggingRegressor
from sklearn.model_selection import cross_val_score

params = [1, 10, 15, 20, 25, 30, 40]
test_scores = []
for param in params:
    clf = BaggingRegressor(n_estimators=param, base_estimator=ridge)
    test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=10, scoring="neg_mean_squared_error"))
    test_scores.append(np.mean(test_score))
    
plt.plot(params, test_scores)
plt.title("n_estimator vs CV Error")

可以看到，我们用 15 个小的 ridge 分类器就达到了 0.134 以下的效果。

Boosting

from sklearn.ensemble import AdaBoostRegressor

params = [10, 15, 20, 25, 30, 35, 40, 45, 50]
test_scores = []
for param in params:
    clf = BaggingRegressor(n_estimators=param, base_estimator=ridge)
    test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=10, scoring="neg_mean_squared_error"))
    test_scores.append(np.mean(test_score))
    
plt.plot(params, test_scores)
plt.title("n_estimator vs CV Error");

20 个小的 ridge 分类器的效果，达到了 0.133。

最后，祭出 xgboost 大杀器：

from xgboost import XGBRegressor

params = [1,2,3,4,5,6]
test_scores = []
for param in params:
    clf = XGBRegressor(max_depth=param)
    test_score = np.sqrt(-cross_val_score(clf, X_train, y_train, cv=10, scoring="neg_mean_squared_error"))
    test_scores.append(np.mean(test_score))

plt.plot(params, test_scores)
plt.title("max_depth vs CV Error")

我们看到，当参数为 5 的时候，效果接近 0.125！

最后，我们将训练好的模型对数据进行训练：

xgb = XGBRegressor(max_depth=5)
xgb.fit(X_train, y_train)
y_xgb = np.expm1(xgb.predict(X_test))
submission_df = pd.DataFrame(data= {"Id" : test_df.index, "SalePrice": y_xgb})

最终，我们输出的数据长这样子：

submission_df.head()

将它存为.csv文件：

submission_df.to_csv("submission_xgb.csv",index=False)

提交到 kaggle 平台的 Score 是 0.13942，排名在 50% 左右。整个过程没有对特征信息进行太多的处理，还有太多需要改进的地方。

第一次完完整整的从头到尾自己做了一个比赛，还是有太多地方浅浅略过，确实，如果只是调参跑模型的话，应该不是难事，但是如何获得更好的效果，数据量大时现有的程序跑不动，需要改进算法等方面，还有太多值得学习的地方，因为这件事好像没有一个最优结果，只有更优的结果。

不足之处，欢迎指正。