mel_data.csv是关于melb地区房屋的数据##
mel_data.csv
import pandas as pd
melbourne_file_path = "E:dataMelbourne Housing Snapshotmelb_data.csv"
melbourne_data = pd.read_csv(melbourne_file_path) #读数据
melbourne_data.columns #读取属性名
Index(['Suburb', 'Address', 'Rooms', 'Type', 'Price', 'Method', 'SellerG',
'Date', 'Distance', 'Postcode', 'Bedroom2', 'Bathroom', 'Car',
'Landsize', 'BuildingArea', 'YearBuilt', 'CouncilArea', 'Lattitude',
'Longtitude', 'Regionname', 'Propertycount'],
dtype='object')
#这里忽略缺失值
melbourne_data = melbourne_data.dropna(axis=0)
#可以使用点符号来提取变量。这一列存储在一个Series中，它大致类似于只有一列数据的DataFrame。
#我们将使用点符号来选择我们想要预测的列，这称为预测目标。按照惯例，预测目标称为y。
y = melbourne_data.Price #选取预测目标属性
#筛选变量属性
melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']
x = melbourne_data[melbourne_features] #简单清洗后的数据
x.describe() #数据描述
|
Rooms |
Bathroom |
Landsize |
Lattitude |
Longtitude |
| count |
6196.000000 |
6196.000000 |
6196.000000 |
6196.000000 |
6196.000000 |
| mean |
2.931407 |
1.576340 |
471.006940 |
-37.807904 |
144.990201 |
| std |
0.971079 |
0.711362 |
897.449881 |
0.075850 |
0.099165 |
| min |
1.000000 |
1.000000 |
0.000000 |
-38.164920 |
144.542370 |
| 25% |
2.000000 |
1.000000 |
152.000000 |
-37.855438 |
144.926198 |
| 50% |
3.000000 |
1.000000 |
373.000000 |
-37.802250 |
144.995800 |
| 75% |
4.000000 |
2.000000 |
628.000000 |
-37.758200 |
145.052700 |
| max |
8.000000 |
8.000000 |
37000.000000 |
-37.457090 |
145.526350 |
x.head() #head函数默认取数据集前5行，观察数据集有时能发现惊喜
|
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 |
#导入sklearn，选择决策树
from sklearn.tree import DecisionTreeRegressor
#定义模型的随机参数以确保每次运行结果相同
melbourne_model = DecisionTreeRegressor(random_state=1)
#创建模型
melbourne_model.fit(x,y)
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')
#对训练数据的前几行进行预测(这样做基本没意义，后面我们会看到)
print('对前5行数据做预测')
print(x.head())
print('预测结果是：')
print(melbourne_model.predict(x.head()))
对前5行数据做预测
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
预测结果是：
[ 1035000. 1465000. 1600000. 1876000. 1636000.]
#上面我们的预测结果出来了，那如何评价我们的模型的预测能力？
#我们很自然的想到将预测结果越接近现实越好，能掐会算、料事如神那更好
#我们可以将预测值与实际值比较，得出一个误差，那这个误差越小就代表预测越准
#我们有很多行数据，我们将这些误差求和做平均就得到一个模型的平均误差
#这个平均误差被称为mean absolute error 平均绝对误差MAE，它是一个简单的评价指标
from sklearn.metrics import mean_absolute_error
predicted_home_prices = melbourne_model.predict(x)
mean_absolute_error(y, predicted_home_prices)
1115.7467183128902
#我们来看看，MAE是1115.7，相比百万级的房价误差很小了，我们的预测很精准？
#是，看起来还不错，但这里预测的是模型已知的数据，这是事后诸葛亮
#把考试原题研究了一波，再去考试那结果能不好吗？
#我们创建模型的目标是什么？我们想要从这些数据中挖掘规律，去预测我们想知道但不知道的东西
#这里我们想知道的东西是房价，所以我们评价模型的预测能力要使用模型未使用过的数据
#就像严格的考试很少出现原题，只有这样才能考出真实水平
#我们的模型评价也要用未使用过的数据才能得出真实的预测能力
#这个未使用过的数据我们称为validation data验证数据，用于验证模型能力
from sklearn.model_selection import train_test_split
# split data into training and validation data, for both features and target
# The split is based on a random number generator. Supplying a numeric value to
# the random_state argument guarantees we get the same split every time we
# run this script.
train_x, val_x, train_y, val_y = train_test_split(x, y, random_state = 0)
# Define model
melbourne_model = DecisionTreeRegressor()
# Fit model
melbourne_model.fit(train_x, train_y)
# get predicted prices on validation data
val_predictions = melbourne_model.predict(val_x)
print(mean_absolute_error(val_y, val_predictions))
274669.096837
#上面我们将数据分为训练数据和测试数据，用训练数据得到的模型去预测测试数据
#wow，MAE已经达到十万级，与百万级的房价相比这个误差是惊人的
#我们看到这个模型考试做原题表现不错，但不考原题就表现极其差
#所以我们测试模型时一定不能、不能、不能用训练数据，我们要用validation data