机器学些|实战?

---

机器学习实战：从零到%1 …

今天聊聊机器学习（Machine Learning, ML），这个听起来高大上的技术其实并没有那么神秘。跟着我的节奏，咱们一起来探索一下如何从零开始！

准备工作：安装和导入必要的库

在开始我们的房价预测项目之前，我们需要准备好开发环境并导入所有必要的库。这些库将帮助我们处理数据、构建模型、评估性能以及可视化结果。

安装Python和Jupyter Notebook

首先，确保你已经安装了Python和Jupyter Notebook。如果你还没有安装，可以通过以下步骤来搞定：

1. 下载并安装Anaconda：

   • Anaconda是一个非常流行的Python发行版，包含了大多数你需要的科学计算和机器学习库。
   • 访问Anaconda官网，下载适合你操作系统的版本。

2. 启动Jupyter Notebook：

   • 打开终端（Linux/Mac）或命令提示符（Windows）。
   • 输入jupyter notebook并回车，这将启动Jupyter Notebook服务器并在浏览器中打开一个新窗口。

创建虚拟环境（可选但推荐）

为了确保项目的依赖项不会影响其他项目，建议创建一个虚拟环境：

# 创建一个新的虚拟环境
conda create -n ml_env python=3.8

# 激活虚拟环境
conda activate ml_env

安装必要的库

在你的虚拟环境中，通过以下命令安装所需的库：

pip install numpy pandas scikit-learn matplotlib seaborn jupyter

或者使用conda：

conda install numpy pandas scikit-learn matplotlib seaborn jupyter

导入库并加载数据集

现在我们可以开始编写代码啦！首先，我们需要导入一些必要的库。别担心，我会一步一步带你走。

# 导入基础库
import pandas as pd
import numpy as np

# 导入用于机器学习的库
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

# 导入用于可视化的库
import matplotlib.pyplot as plt
import seaborn as sns

加载波士顿房价数据集

接下来，我们将加载著名的波士顿房价数据集。这个数据集包含了一些关于房子的信息，如房间数、犯罪率等，以及对应的房子价格。

# 加载波士顿房价数据集
boston = load_boston()

# 将数据转换为DataFrame，方便后续处理
data = pd.DataFrame(boston.data, columns=boston.feature_names)
data['PRICE'] = boston.target

# 查看前几行数据
print(data.head())

输出应该类似于这样：

      CRIM    ZN  INDUS  CHAS    NOX     RM   AGE     DIS  RAD    TAX  \
0  0.00632  18.0   2.31   0.0  0.538  6.575  65.2  4.0900  1.0  296.0   
1  0.02731   0.0   7.07   0.0  0.469  6.421  78.9  4.9671  2.0  242.0   
2  0.02729   0.0   7.07   0.0  0.469  7.185  61.1  4.9671  2.0  242.0   
3  0.03237   0.0   2.18   0.0  0.458  6.998  45.8  6.0622  3.0  222.0   
4  0.06905   0.0   2.18   0.0  0.458  7.147  54.2  6.0622  3.0  222.0   

   PTRATIO       B  LSTAT  
0     15.3  396.90   4.98  
1     17.8  396.90   9.14  
2     17.8  392.83   4.03  
3     18.7  394.63   2.94  
4     18.7  396.90   5.33

数据探索

了解数据是进行任何分析的第一步。我们可以查看数据的基本统计信息，并绘制一些简单的图表来帮助我们理解数据。

# 查看数据的基本统计信息
print(data.describe())

# 绘制房价分布图
plt.hist(data['PRICE'], bins=50)
plt.xlabel('Price in $1000s')
plt.ylabel('Number of houses')
plt.title('Distribution of House Prices')
plt.show()

数据预处理

在实际应用中，数据往往需要经过清洗和预处理。常见的步骤包括缺失值处理、特征缩放等。

# 检查是否有缺失值
print(data.isnull().sum())

# 特征缩放
scaler = StandardScaler()
scaled_data = scaler.fit_transform(data.drop('PRICE', axis=1))

构建模型

现在我们可以选择一个简单的线性回归模型来开始：

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(scaled_data, data['PRICE'], test_size=0.2, random_state=42)

# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

评估模型

训练完模型后，我们需要评估它的性能：

# 预测测试集
predictions = model.predict(X_test)

# 计算均方误差（MSE）
mse = mean_squared_error(y_test, predictions)
print(f'Mean Squared Error: {mse}')

# 可视化预测结果
plt.scatter(y_test, predictions)
plt.xlabel('Actual Prices')
plt.ylabel('Predicted Prices')
plt.title('Actual vs Predicted Prices')
plt.show()

进阶技巧

当然，这只是入门级别的实践。如果你想进一步提升你的机器学习技能，可以尝试以下几点：

1. 交叉验证：使用K折交叉验证来评估模型的稳定性。
2. 调参优化：使用网格搜索（Grid Search）或随机搜索（Random Search）来找到最佳超参数组合。
3. 集成学习：尝试使用随机森林（Random Forest）、梯度提升（Gradient Boosting）等集成学习方法。

---