当前位置：首页 > news >正文

机器学习实践项目（二）- 房价预测增强篇 - 模型训练与评估：从多模型对比到小网格微调

news 2025/11/9 9:58:51

好，前述的代码，我们处理了特征工程，下面就正式进入了模型训练阶段了。
我们的策略是——用多个模型进行交叉验证并选出最佳模型。
下面来分析对应的代码。

一、评测指标函数：`rmse_on_log_space`

def rmse_on_log_space(y_true, y_pred):try:return mean_squared_error(np.log1p(y_true), np.log1p(y_pred), squared=False)except TypeError:return np.sqrt(mean_squared_error(np.log1p(y_true), np.log1p(y_pred)))

把真实值/预测值先做 log1p 再算 RMSE —— 这是竞赛中常见的做法，能缓解右偏分布。
兼容旧版 sklearn：旧版 mean_squared_error 没有 squared 参数，所以兜底用 sqrt(MSE)。

二、核心交叉验证函数：`rmse_cv(model)`

pipe = Pipeline([("prep", preprocess),("reg", TransformedTargetRegressor(regressor=model, func=np.log1p, inverse_func=np.expm1))
])
...
for tr_idx, va_idx in stratified_splits:X_tr, X_va = X.iloc[tr_idx], X.iloc[va_idx]y_tr, y_va = y[tr_idx], y[va_idx]pipe.fit(X_tr, y_tr)pred_va = pipe.predict(X_va)rmses.append(rmse_on_log_space(y_va, pred_va))

把预处理(preprocess)和模型串成一个 Pipeline，
这样每折都只在训练折上拟合 imputer / 标准化 / One-Hot，避免数据泄漏。
这个和前面介绍的“分层目标编码”一个概念。
用 TransformedTargetRegressor（TTR）让模型在 log 空间 里训练，预测时自动逆变换。
可以理解成：TTR 是一个小“批处理器”，定义一组操作，执行时顺序完成。
遍历“第0步”生成的 stratified_splits（分层 K 折），
确保每次试验用同一套折分，各模型结果可公平比较。
最后返回该模型的 平均 RMSE 和标准差（越小越好）。

三、候选模型与“稳收敛”设置

candidates = {"RidgeCV": RidgeCV(...),"LassoCV": LassoCV(..., max_iter=200_000, tol=1e-3, selection="random"),"ElasticNetCV": ElasticNetCV(..., max_iter=200_000, tol=1e-3, selection="random"),"HistGBR": HistGradientBoostingRegressor(...)
}

同时用 RidgeCV / LassoCV / ElasticNetCV / HistGBR 四类模型进行评估，选出最优者。
线性稀疏模型给了更大的 max_iter、略放宽的 tol、加上 selection="random"，
是为了减少“不收敛”或“收敛慢”的告警。
HistGBR 则采用一组「保守但好用」的参数：
learning_rate=0.06、max_leaf_nodes=31、min_samples_leaf=20、l2_regularization=1e-3，
强调稳健泛化。

🌱 一句话先讲明白：

“我想比较几种不同的模型，看哪个预测房价最准。
为了防止它们训练不收敛或报错，我给每个模型设置了比较稳定的参数。”

四、模型字典与参数的通俗理解

🧩 四个模型是谁？

candidates = {"RidgeCV": RidgeCV(...),"LassoCV": LassoCV(...),"ElasticNetCV": ElasticNetCV(...),"HistGBR": HistGradientBoostingRegressor(...)
}

这其实就是一个“模型字典”：

模型	简单理解	作用
RidgeCV	岭回归	线性模型，防止过拟合
LassoCV	套索回归	线性模型，自动选特征
ElasticNetCV	弹性网	综合 Ridge 和 Lasso
HistGBR	树模型（梯度提升树）	捕捉非线性关系

五、模型参数逐个解释（配比喻更好记）

1️⃣ `max_iter`

训练时最多迭代多少次。
想象模型在不断“试探”参数，直到误差够小。
太少会“没学完”，所以给大一点（如 200000）更稳。

2️⃣ `tol`

容忍度（容错值）。
越小越严格，模型学得更久。稍放宽（1e-3）就不会老警告。

3️⃣ `selection="random"`

对 Lasso/ElasticNet 来说，这表示“随机挑选参数更新”。
随机顺序能防止算法卡住，更容易收敛。

4️⃣ `learning_rate=0.06`

树模型的学习速度。
太大会过拟合，太小会学不完。0.06 是稳健中间值。

5️⃣ `max_leaf_nodes=31`

每棵树的最大分支数。
分支越多模型越复杂，31 是“刚刚好”的中等复杂度。

6️⃣ `min_samples_leaf=20`

每个叶子节点至少多少样本。
样本太少容易记住噪声，20 可以防过拟合。

7️⃣ `l2_regularization=1e-3`

给模型一个“惩罚项”，让它别太激进。
值越大越“温和”，泛化更好。

🧠 类比：模型就像学生

参数	比喻	调节作用
max_iter	给学生复习的次数	多学几遍才彻底掌握
tol	老师标准	放宽点别太抠细节
selection	学习顺序	随机复习更灵活
learning_rate	学习速度	太快出错，太慢浪费时间
max_leaf_nodes	笔记条数	太多=啰嗦，太少=粗糙
min_samples_leaf	每条笔记至少几句	保证总结有依据
l2_regularization	老师的管束	防止学得太极端

✅ 一句话总结：

这些参数的目的就是：让模型稳稳当当地“学完”，不乱跑、不炸分。
所以叫“稳收敛设置”。

六、模型对比与最优选择

results = {}
for name, model in candidates.items():m, s = rmse_cv(model)results[name] = (m, s)print(f"{name:12s}: {m:.5f} +/- {s:.5f}")best_name = min(results, key=lambda k: results[k][0])

对每个模型都跑一次 rmse_cv，输出“均值 ± 标准差”；
选 RMSE 最小 的模型作为 best_name；
后续可用它进行全量训练或进一步调参。

七、小网格微调（仅当 HistGBR 最优时）

DO_HGB_TUNING = (best_name == "HistGBR")
...
hgb_pipe = Pipeline([("prep", preprocess),("reg", TransformedTargetRegressor(regressor=HistGradientBoostingRegressor(random_state=42),func=np.log1p, inverse_func=np.expm1))
])
param_grid = {"reg__regressor__learning_rate": [0.03, 0.06, 0.1],"reg__regressor__max_leaf_nodes": [31, 63, 127],"reg__regressor__min_samples_leaf": [10, 20, 40],"reg__regressor__l2_regularization": [1e-3, 3e-3, 1e-2]
}

继续沿用同一个管道结构，只在少数关键超参上做“小网格”搜索。
时间可控，却往往能涨一点分。

😵‍💫 什么是“小网格微调”？

好，到这里估计又要懵了。
什么是“网格”？什么是“小网格微调”？难道还有“大网格”？
好吧，我也是懵的，只好让“爱老师”继续上场 😄。

🧩 一句话解释

“小网格微调”就是：
模型已经不错了，再拿出几组可能更好的参数组合，
让电脑帮我们试试，看哪组最好。

🌰 举个简单例子

假设你在调一台风扇：

参数	档位
风速	[1, 2, 3]
风向	[固定, 摇头]

3 × 2 = 6 种组合，你挨个试试，看哪种风最舒服。
这，就是“小网格”搜索。

💡 在模型里怎么做？

HistGBR 也一样：
我们给它四个主要“旋钮”：

参数	含义	可能的值
learning_rate	学习速度	[0.03, 0.06, 0.1]
max_leaf_nodes	每棵树最多叶子数	[31, 63, 127]
min_samples_leaf	每个叶子最少样本	[10, 20, 40]
l2_regularization	正则强度	[1e-3, 3e-3, 1e-2]