带你一起机器学习：第一个机器学习模型
问题导读1.如何选择建模数据？
2.什么是特征？
3.本文使用什么建模？
关注最新经典文章，欢迎关注公众号
http://www.aboutyun.com/data/attachment/forum/201406/15/084659qcxzzg8n59b6zejp.jpg
机器学习，人工智能在我们看来是非常神秘，并且是非常难学的，在你有一定的了解后，发现原来没有想象的那么难，跟我们的普通编程，唯一不同的地方就是使用了数学公式。但是并不是上来我们就需要数学的，我们可以循序渐进的学习。下面是第一个机器学习模型。
选择建模数据
数据集有太多的变量，你怎么能把这些压倒性的数据减到你能理解的内容？
我们首先使用我们的直觉选择一些变量。 后面将展示自动确定变量优先级的统计技巧。
要选择变量/列，我们需要查看数据集中所有列的列表。 这是通过DataFrame的columns属性（下面的代码底部行）完成的。
In：
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:
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
# 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)
有很多方法可以选择数据的子集。 我们现在将重点关注两种方法。
[*]Dot notation，我们用它来选择“预测目标”
[*]选择列列表，我们用它来选择
选择预测目标
您可以使用dot-notation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dot notation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。 因此，我们需要在墨尔本数据中保存房价的代码是
in
y = melbourne_data.Price
选择“特征”
输入到我们模型中的列（后来用于进行预测）被称为“特征”。 在我们的例子中，那些将是用于确定房价的列。 有时，将使用除目标之外的所有列作为要素。 其他时候你会用更少的功能更好。
目前，我们将构建一个只有少数特征的模型。 稍后你将看到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是一个字符串（带引号）。
例子：
melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']
按照惯例，这个数据称为X.
X = melbourne_data
让我们使用describe方法和head方法快速查看我们将用于预测房价的数据，该方法显示前几行。
X.describe()
RoomsBathroomLandsizeLattitudeLongtitude
count6196.0000006196.0000006196.0000006196.0000006196.000000
mean2.9314071.576340471.006940-37.807904144.990201
std0.9710790.711362897.4498810.0758500.099165
min1.0000001.0000000.000000-38.164920144.542370
25%2.0000001.000000152.000000-37.855438144.926198
50%3.0000001.000000373.000000-37.802250144.995800
75%4.0000002.000000628.000000-37.758200145.052700
max8.0000008.00000037000.000000-37.457090145.526350
X.head()
RoomsBathroomLandsizeLattitudeLongtitude
121.0156.0-37.8079144.9934
232.0134.0-37.8093144.9944
441.0120.0-37.8072144.9941
632.0245.0-37.8024144.9993
721.0256.0-37.8060144.9954
使用这些命令直观地检查数据是数据科学家工作的重要组成部分。 经常会在数据集中发现值得进一步检查。
建立模型
你将使用scikit-learn库来创建模型。 编码时，此库编写为sklearn，你将在示例代码中看到。 Scikit-learn是最常用的库，用于对通常存储在DataFrame中的数据类型进行建模。
构建和使用模型的步骤如下：
定义：它是什么类型的模型？ 决策树？ 其他类型的模型？ 还指定了模型类型的一些其他参数。
fit：从提供的数据中匹配模式。 这是建模的核心。
预测：看起来是什么样的
评估：确定模型预测的准确程度。
下面是使用scikit-learn定义决策树模型并将其与特征和目标变量拟合的示例。
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)
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')
许多机器学习模型允许模型训练中的一些随机性。 为random_state指定一个数字可确保在每次运行中获得相同的结果。 这被认为是一种很好的做法。 使用任何数字，模型质量不依赖于选择的确切值。
我们现在有一个可以用来进行预测的拟合模型。
在实践中，你会想要对市场上的新房子进行预测，而不是对我们已经有价格的房屋进行预测。 但是我们将对训练数据的前几行进行预测，以了解预测函数的工作原理。
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:
RoomsBathroomLandsizeLattitudeLongtitude
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
来学习了 学习了
页:
[1]