該分享源于Udacity機器學習進階中的一個mini作業項目，用于入門非常合適，刨除了繁瑣的部分，保留了最關鍵、基本的步驟，能夠對機器學習基本流程有一個最清晰的認識。

項目描述

利用馬薩諸塞州波士頓郊區的房屋信息數據訓練和測試一個模型，并對模型的性能和預測能力進行測試;

項目分析

數據集字段解釋：

1. RM: 住宅平均房間數量;
2. LSTAT: 區域中被認為是低收入階層的比率;
3. PTRATIO: 鎮上學生與教師數量比例;
4. MEDV: 房屋的中值價格(目標特征，即我們要預測的值);

其實現在回過頭來看，前三個特征應該都是挖掘后的組合特征，比如RM，通常在原始數據中會分為多個特征：一樓房間、二樓房間、廚房、臥室個數、地下室房間等等，這里應該是為了教學簡單化了;

MEDV為我們要預測的值，屬于回歸問題，另外數據集不大(不到500個數據點)，小數據集上的回歸問題，現在的我初步考慮會用SVM，稍后讓我們看看當時的選擇;

Show Time

Step 1 導入數據

注意點：

1. 如果數據在多個csv中(比如很多銷售項目中，銷售數據和店鋪數據是分開兩個csv的，類似數據庫的兩張表)，這里一般要連接起來;
2. 訓練數據和測試數據連接起來，這是為了后續的數據處理的一致，否則訓練模型時會有問題(比如用訓練數據訓練的模型，預測測試數據時報錯維度不一致);
3. 觀察下數據量，數據量對于后續選擇算法、可視化方法等有比較大的影響，所以一般會看一下;
4. pandas內存優化，這一點項目中目前沒有，但是我最近的項目有用到，簡單說一下，通過對特征字段的數據類型向下轉換(比如int64轉為int8)降低對內存的使用，這里很重要，數據量大時很容易撐爆個人電腦的內存存儲;

上代碼：

# 載入波士頓房屋的數據集 
 
data = pd.read_csv('housing.csv') 
 
prices = data['MEDV'] 
 
features = data.drop('MEDV', axis =1) 
 
 
# 完成 
 
 
print"Boston housing dataset has {} data points with {} variables each.".format(*data.shape) 

Step 2 分析數據

加載數據后，不要直接就急匆匆的上各種處理手段，加各種模型，先慢一點，對數據進行一個初步的了解，了解其各個特征的統計值、分布情況、與目標特征的關系，最好進行可視化，這樣會看到很多意料之外的東西;

基礎統計運算

統計運算用于了解某個特征的整體取值情況，它的最大最小值，平均值中位數，百分位數等等，這些都是最簡單的對一個字段進行了解的手段;

上代碼：

#目標：計算價值的最小值 
 
minimum_price = np.min(prices)# prices.min 
 
 
#目標：計算價值的最大值 
 
maximum_price = np.max(prices)# prices.max 
 
 
#目標：計算價值的平均值 
 
mean_price = np.mean(prices)# prices.mean 
 
 
#目標：計算價值的中值 
 
median_price = np.median(prices)# prices.median 
 
 
#目標：計算價值的標準差 
 
std_price = np.std(prices)# prices.std 

特征觀察

這里主要考慮各個特征與目標之間的關系，比如是正相關還是負相關，通常都是通過對業務的了解而來的，這里就延伸出一個點，機器學習項目通常來說，對業務越了解，越容易得到好的效果，因為所謂的特征工程其實就是理解業務、深挖業務的過程;

比如這個問題中的三個特征：

• RM：房間個數明顯應該是與房價正相關的;
• LSTAT：低收入比例一定程度上表示著這個社區的級別，因此應該是負相關;
• PTRATIO：學生/教師比例越高，說明教育資源越緊缺，也應該是負相關;

上述這三個點，同樣可以通過可視化的方式來驗證，事實上也應該去驗證而不是只靠主觀猜想，有些情況下，主觀感覺與客觀事實是完全相反的，這里要注意;

Step 3 數據劃分

為了驗證模型的好壞，通常的做法是進行cv，即交叉驗證，基本思路是將數據平均劃分N塊，取其中N-1塊訓練，并對另外1塊做預測，并比對預測結果與實際結果，這個過程反復N次直到每一塊都作為驗證數據使用過;

上代碼：

# 提示：導入train_test_split 
 
fromsklearn.model_selectionimporttrain_test_split 
 
 
X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=RANDOM_STATE) 
 
printX_train.shape 
 
printX_test.shape 
 
printy_train.shape 
 
printy_test.shape 

Step 4 定義評價函數

這里主要是根據問題來定義，比如分類問題用的最多的是準確率(精確率、召回率也有使用，具體看業務場景中更重視什么)，回歸問題用RMSE(均方誤差)等等，實際項目中根據業務特點經常會有需要去自定義評價函數的時候，這里就比較靈活;

Step 5 模型調優

通過GridSearch對模型參數進行網格組合搜索最優，注意這里要考慮數據量以及組合后的可能個數，避免運行時間過長哈。

上代碼：

fromsklearn.model_selectionimportKFold,GridSearchCV 
 
fromsklearn.treeimportDecisionTreeRegressor 
 
fromsklearn.metricsimportmake_scorer 
 
 
 
deffit_model(X, y): 
 
""" 基于輸入數據 [X,y]，利于網格搜索找到最優的決策樹模型""" 
 
 
cross_validator = KFold 
 
 
regressor = DecisionTreeRegressor 
 
 
params = {'max_depth':[1,2,3,4,5,6,7,8,9,10]} 
 
 
scoring_fnc = make_scorer(performance_metric) 
 
 
grid = GridSearchCV(estimator=regressor, param_grid=params, scoring=scoring_fnc, cv=cross_validator) 
 
 
# 基于輸入數據 [X,y]，進行網格搜索 
 
grid = grid.fit(X, y) 
 
 
# 返回網格搜索后的最優模型 
 
returngrid.best_estimator_ 

可以看到當時項目中選擇的是決策樹模型，現在看，樹模型在這種小數據集上其實是比較容易過擬合的，因此可以考慮用SVM代替，你也可以試試哈，我估計是SVM效果比較好;

學習曲線

通過繪制分析學習曲線，可以對模型當前狀態有一個基本了解，如下圖：

可以看到，超參數max_depth為1和3時，明顯訓練分數過低，這說明此時模型有欠擬合的情況，而當max_depth為6和10時，明顯訓練分數和驗證分析差距過大，說明出現了過擬合，因此我們初步可以猜測，優質參數在3和6之間，即4,5中的一個，其他參數一樣可以通過學習曲線來進行可視化分析，判斷是欠擬合還是過擬合，再分別進行針對處理;

小結

通過以上的幾步，可以非常簡單、清晰的看到一個機器學習項目的全流程，其實再復雜的流程也是這些簡單步驟的一些擴展，而更難的往往是對業務的理解，沒有足夠的理解很難得到好的結果，體現出來就是特征工程部分做的好壞，這里就需要各位小伙伴們奮發圖強了，路漫漫啊。

項目鏈接

• 通篇瀏覽可以通過nbviewer來看;
• 項目源文件、數據集文件可以通過GitHub波士頓項目獲取，歡迎Follow、Fork、Star;