本次对kaggle中的入门级数据集，房价回归数据集进行数据挖掘，预测房屋价格。
本人主页：机器学习司猫白
机器学习专栏：机器学习实战
PyTorch入门专栏：PyTorch入门
深度学习实战：深度学习
ok，话不多说，我们进入正题吧
概述
本次竞赛有 79 个解释变量（几乎）描述了爱荷华州艾姆斯住宅的各个方面，需要预测每套住宅的最终价格。
数据集描述
本次数据集已经上传，大家可以自行下载尝试
文件说明
train.csv - 训练集
test.csv - 测试集
data_description.txt - 每列的完整描述，最初由 Dean De Cock 准备，但经过轻微编辑以匹配此处使用的列名称
Sample_submission.csv - 根据销售年份和月份、地块面积和卧室数量的线性回归提交的基准
建模思路
本次预测是预测房屋价格，很明显是一个回归预测。这里考虑使用线性回归和树模型的回归进行尝试并优化其中参数，选择最佳的一个模型进行预测，输出每个房屋的预测价格。
Python源码
一，打开数据文件，查看数据的基本情况。
import numpy as np
import pandas as pd
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')
train_data.info()输出：
<class 'pandas.core.frame.DataFrame'> RangeIndex: 1460 entries, 0 to 1459 Data columns (total 81 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Id 1460 non-null int64 1 MSSubClass 1460 non-null int64 2 MSZoning 1460 non-null object 3 LotFrontage 1201 non-null float64 4 LotArea 1460 non-null int64 5 Street 1460 non-null object 6 Alley 91 non-null object 7 LotShape 1460 non-null object 8 LandContour 1460 non-null object 9 Utilities 1460 non-null object 10 LotConfig 1460 non-null object 11 LandSlope 1460 non-null object 12 Neighborhood 1460 non-null object 13 Condition1 1460 non-null object 14 Condition2 1460 non-null object 15 BldgType 1460 non-null object 16 HouseStyle 1460 non-null object 17 OverallQual 1460 non-null int64 18 OverallCond 1460 non-null int64 19 YearBuilt 1460 non-null int64 20 YearRemodAdd 1460 non-null int64 21 RoofStyle 1460 non-null object 22 RoofMatl 1460 non-null object 23 Exterior1st 1460 non-null object 24 Exterior2nd 1460 non-null object 25 MasVnrType 588 non-null object 26 MasVnrArea 1452 non-null float64 27 ExterQual 1460 non-null object 28 ExterCond 1460 non-null object 29 Foundation 1460 non-null object 30 BsmtQual 1423 non-null object 31 BsmtCond 1423 non-null object 32 BsmtExposure 1422 non-null object 33 BsmtFinType1 1423 non-null object 34 BsmtFinSF1 1460 non-null int64 35 BsmtFinType2 1422 non-null object 36 BsmtFinSF2 1460 non-null int64 37 BsmtUnfSF 1460 non-null int64 38 TotalBsmtSF 1460 non-null int64 39 Heating 1460 non-null object 40 HeatingQC 1460 non-null object 41 CentralAir 1460 non-null object 42 Electrical 1459 non-null object 43 1stFlrSF 1460 non-null int64 44 2ndFlrSF 1460 non-null int64 45 LowQualFinSF 1460 non-null int64 46 GrLivArea 1460 non-null int64 47 BsmtFullBath 1460 non-null int64 48 BsmtHalfBath 1460 non-null int64 49 FullBath 1460 non-null int64 50 HalfBath 1460 non-null int64 51 BedroomAbvGr 1460 non-null int64 52 KitchenAbvGr 1460 non-null int64 53 KitchenQual 1460 non-null object 54 TotRmsAbvGrd 1460 non-null int64 55 Functional 1460 non-null object 56 Fireplaces 1460 non-null int64 57 FireplaceQu 770 non-null object 58 GarageType 1379 non-null object 59 GarageYrBlt 1379 non-null float64 60 GarageFinish 1379 non-null object 61 GarageCars 1460 non-null int64 62 GarageArea 1460 non-null int64 63 GarageQual 1379 non-null object 64 GarageCond 1379 non-null object 65 PavedDrive 1460 non-null object 66 WoodDeckSF 1460 non-null int64 67 OpenPorchSF 1460 non-null int64 68 EnclosedPorch 1460 non-null int64 69 3SsnPorch 1460 non-null int64 70 ScreenPorch 1460 non-null int64 71 PoolArea 1460 non-null int64 72 PoolQC 7 non-null object 73 Fence 281 non-null object 74 MiscFeature 54 non-null object 75 MiscVal 1460 non-null int64 76 MoSold 1460 non-null int64 77 YrSold 1460 non-null int64 78 SaleType 1460 non-null object 79 SaleCondition 1460 non-null object 80 SalePrice 1460 non-null int64 dtypes: float64(3), int64(35), object(43) memory usage: 924.0+ KB
根据输出结果，我们可以看到数据集中存在缺失值。缺失值如果不处理，会影响后续建模过程，甚至可能导致模型报错。这里有一个具体的情况需要说明：假设缺失值出现在object类型的特征中，通常情况下，我们会使用独热编码（One-Hot Encoding）将分类数据转化为数值。如果我们直接对包含缺失值的列进行独热编码，可能会生成一列专门表示缺失值（通常是NaN的列）。这样会导致训练数据和后续用于预测的实际数据维度不一致，进而无法使用模型进行预测。
此外，一些模型对NaN值非常敏感，因为NaN表示缺失数据，而不是数值类型。如果模型在训练时遇到NaN值，很多模型会因此报错，因为它们无法处理非数值的输入数据。因此，在建模前，我们需要先处理缺失值，确保数据的一致性和模型能够正确训练。常见的处理方法包括填充缺失值（如使用均值、中位数或众数填充）或者删除包含缺失值的行或列。
数据维度一致性：训练数据和预测数据的特征维度必须完全一致，否则模型无法正确应用于新数据。
二，数据处理和特征工程
# 计算每个特征的缺失值比例
missing_values = train_data.isnull().sum() # 计算每一列的缺失值数量
total_values = train_data.shape[0] # 获取总行数
# 计算每一列缺失值的比例
missing_percentage = (missing_values / total_values) * 100
# 显示缺失值比例超过50%的特征
high_missing_features = missing_percentage[missing_percentage > 50]
# 输出缺失值比例超过50%的特征
high_missing_features输出：
Alley 93.767123 MasVnrType 59.726027 PoolQC 99.520548 Fence 80.753425 MiscFeature 96.301370 dtype: float64
这里计算了缺失值的比例。
train_data2 = train_data.drop(['MiscFeature', 'Fence', 'PoolQC', 'MasVnrType', 'Alley','Id'], axis=1)
test_data2 = test_data.drop(['MiscFeature', 'Fence', 'PoolQC', 'MasVnrType', 'Alley','Id'], axis=1)
id = test_data['Id']
train_data2.shape, test_data2.shape删除缺失值过多的列，剩下的列采用填充的方法进行处理。
# 处理测试集中的缺失值
for column in test_data2.columns:
if test_data2[column].dtype == 'object':
# 对象类型，使用训练集的众数填充
test_data2[column].fillna(train_data2[column].mode()[0], inplace=True)
else:
# 数值类型，使用训练集的中位数填充
test_data2[column].fillna(train_data2[column].median(), inplace=True)
# 处理训练集中的缺失值
for column in train_data2.columns:
if train_data2[column].dtype == 'object':
# 对象类型，使用训练集的众数填充
train_data2[column].fillna(train_data2[column].mode()[0], inplace=True)
else:
# 数值类型，使用训练集的中位数填充
train_data2[column].fillna(train_data2[column].median(), inplace=True)
# 查看处理后的训练集和测试集
print(train_data2.shape)
print(test_data2.shape)输出：
(1460, 75) (1459, 74)
缺失值处理完毕，接下来就可以划分目标变量和特征。
train_data3=train_data2.drop(['SalePrice'], axis=1)
label=train_data2['SalePrice']
train_data3.shape输出：
(1460, 74)
这里可以看到，特征较多，考虑尝试使用相关性去除一部分。
import seaborn as sns
import matplotlib.pyplot as plt
# 选择所有数值类型的列
numerical_data = train_data3.select_dtypes(include=['number'])
# 计算相关性矩阵
correlation_matrix = numerical_data.corr()
# 设置绘图的尺寸
plt.figure(figsize=(15, 8))
# 使用seaborn绘制热图
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.1f', linewidths=0.5)
# 设置标题
plt.title('Correlation Heatmap of Numerical Features')
# 显示热图
plt.show()
有点看不太清，那就直接使用阈值，去除相关性大于0.8的列。
# 设置相关性阈值
threshold = 0.8
# 找到相关性大于阈值的列对
to_drop = set() # 用于存储要删除的列
for i in range(len(correlation_matrix.columns)):
for j in range(i):
if abs(correlation_matrix.iloc[i, j]) > threshold:
colname = correlation_matrix.columns[i]
# 仅当当前列未被标记删除时才进行删除操作
if colname not in to_drop:
to_drop.add(correlation_matrix.columns[j])
list(to_drop)输出：
['GarageCars', 'GrLivArea', 'TotalBsmtSF']
# 删除相关性较强的列
train_data4 = train_data3.drop(columns=to_drop)
test_data4 = test_data2.drop(columns=to_drop)
print(train_data4.shape)
print(test_data4.shape)from sklearn.preprocessing import LabelEncoder
# 创建每个类别特征进行编码
for column in train_data4.select_dtypes(include=['object']).columns:
# 合并训练集和测试集的类别，以创建一个包含所有可能类别的编码器
all_categories = pd.concat([train_data4[column], test_data4[column]]).unique()
encoder = LabelEncoder()
encoder.fit(all_categories)
# 使用编码器对训练集和测试集进行编码
train_data4[column] = encoder.transform(train_data4[column])
test_data4[column] = encoder.transform(test_data4[column])
# 查看处理后的训练集和测试集
print(train_data4.shape)
print(test_data4.shape)这里对object类型的列进行编码，使其变为数值，至于为什么使用标签编码，后续我会出一个有关特征编码的文章，这里不多进行赘述。
三，模型训练与评估
先考虑使用线性回归中的岭回归，来看看效果。
import numpy as np
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
X = train_data4 # 特征数据
y = label # 目标变量
# 划分数据集为训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
# 定义岭回归模型
ridge_model = Ridge()
# 设置待调优的超参数范围，这里我们主要调节 alpha（正则化参数）
param_grid = {'alpha': np.logspace(-6, 6, 13)} # alpha 的范围通常是从 1e-6 到 1e6
# 使用交叉验证来选择最佳的 alpha 参数
grid_search = GridSearchCV(ridge_model, param_grid, cv=5, scoring='neg_mean_squared_error') # 5折交叉验证，使用负均方误差作为评分标准
# 拟合模型
grid_search.fit(X_train, y_train)
# 输出最佳参数
print("Best alpha parameter:", grid_search.best_params_)
# 获取最佳模型
best_ridge_model = grid_search.best_estimator_
# 使用最佳模型在验证集上评估
score = best_ridge_model.score(X_val, y_val)
print("Model R^2 score on validation set:", score)
# 输出交叉验证的结果
print("Best cross-validation score:", grid_search.best_score_)
Best alpha parameter: {'alpha': 100.0}
Model R^2 score on validation set: 0.8496053872702527
Best cross-validation score: -1348455440.2012005
再使用lightgbm，树模型来看看效果。
import optuna
import lightgbm as lgb
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
X = train_data4 # 特征数据
y = label # 目标变量
# 划分训练集和验证集
X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2, random_state=42)
def objective(trial):
# 使用Optuna选择超参数
params = {
'objective': 'regression', # 回归任务
'boosting_type': 'gbdt', # 梯度提升决策树
'num_leaves': trial.suggest_int('num_leaves', 20, 100), # 树的最大叶子数
'learning_rate': trial.suggest_float('learning_rate', 1e-5, 1e-1, log=True), # 学习率，使用对数均匀分布
'n_estimators': trial.suggest_int('n_estimators', 50, 500), # 树的数量
'max_depth': trial.suggest_int('max_depth', 3, 15), # 树的最大深度
'subsample': trial.suggest_float('subsample', 0.5, 1.0), # 数据采样率
'colsample_bytree': trial.suggest_float('colsample_bytree', 0.5, 1.0), # 特征采样率
'min_child_samples': trial.suggest_int('min_child_samples', 5, 100), # 每个叶子的最小样本数
'reg_alpha': trial.suggest_float('reg_alpha', 1e-5, 1.0, log=True), # L1 正则化
'reg_lambda': trial.suggest_float('reg_lambda', 1e-5, 1.0, log=True) # L2 正则化
}
# 创建LightGBM模型
model = lgb.LGBMRegressor(**params, verbose=-1)
# 训练模型
model.fit(X_train, y_train)
# 进行预测
y_pred = model.predict(X_valid)
# 计算RMSE（均方根误差）
rmse = np.sqrt(mean_squared_error(y_valid, y_pred))
return rmse # Optuna将根据最小化RMSE来寻找最佳超参数
# 创建Optuna的Study对象
study = optuna.create_study(direction='minimize') # 最小化RMSE
# 开始超参数优化
study.optimize(objective, n_trials=50) # 尝试100次
# 输出最佳超参数和对应的RMSE值
print(f"Best trial: {study.best_trial.params}")
print(f"Best RMSE: {study.best_value}")
# 使用最佳超参数训练最终模型
best_params = study.best_trial.params
final_model = lgb.LGBMRegressor(**best_params, verbose=-1)
# 训练最终模型时
final_model.fit(X_train, y_train)
# 在验证集上进行预测并计算RMSE和R2
y_pred_final = final_model.predict(X_valid)
final_rmse = np.sqrt(mean_squared_error(y_valid, y_pred_final))
final_r2 = r2_score(y_valid, y_pred_final)
print(f"Final RMSE on validation set: {final_rmse}")
print(f"Final R2 on validation set: {final_r2}")
Best trial: {'num_leaves': 97, 'learning_rate': 0.013163137448188754, 'n_estimators': 372, 'max_depth': 11, 'subsample': 0.8474988867349187, 'colsample_bytree': 0.7064845955811748, 'min_child_samples': 5, 'reg_alpha': 0.0011685340064003379, 'reg_lambda': 0.041584313394230084}
Best RMSE: 26248.97344413891
Final RMSE on validation set: 26248.97344413891
Final R2 on validation set: 0.910172189779164
根据输出结果，初步发现lightgbm模型效果会更好。这里解释以下回归模型的评估，比如这里的RMSE，虽然说这个指标是越小越好，小到多少是好，大到多少是不好，这里要讲的是RMSE更像是一个相对指标，比如第一次运行RMSE为1000，第二次运行RMSE是998，那么第二次运行的就是更优的，并没有一个绝对的数值来评判，而是相对的比较。
1. 这里使用 Optuna 对 LightGBM 回归模型的超参数进行优化，目的是找到能够最小化 RMSE 的最佳参数组合。
2. 优化的超参数包括树的深度、叶子数、学习率等。
3. 最终训练并评估了一个基于最佳超参数的回归模型，并计算了其在验证集上的 RMSE 和 R²。
由于数据量较小，很容易过拟合，因此加入了l1和l2正则化，并进行超参数优化，可以看到训练集RMSE和测试集RMSE非常接近，说明并没有过度拟合。
四，使用真实的数据运行模型，预测房屋的价格
y_pred_test = final_model.predict(test_data4)
# 将预测结果转换为 DataFrame
y_pred_df = pd.DataFrame({
'Id': test_data['Id'],
'SalePrice': y_pred_test
})
# 保存预测结果到 CSV 文件
y_pred_df.to_csv('predictions.csv', index=False)
y_pred_df
Id SalePrice 0 1461 128989.106316 1 1462 155402.491796 2 1463 173423.163568 3 1464 184025.799434 4 1465 200870.139148 ... ... ... 1454 2915 84714.331635 1455 2916 89781.868635 1456 2917 171236.073006 1457 2918 121141.145259 1458 2919 220957.998442 1459 rows × 2 columns
这样模型的预测结果就保存为了csv文件。
五，展示特征重要性
import matplotlib.pyplot as plt
# 绘制特征重要性图
lgb.plot_importance(final_model, importance_type='split', max_num_features=10, figsize=(10, 6))
plt.title('Feature Importance (Split)')
plt.show()
根据特征重要性图可以发现，影响房屋价格的最大因素是1stFlrSF，也就是房租第一层的面积。
我的博客即将同步至腾讯云开发者社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?invite_code=5mtxxtr44v7
