在前一篇文章手把手带你开启机器学习之路——房价预测(一)中我们以加州住房价格数据集为基础，学习了数据抽样，数据探索性分析和可视化，数据预处理(缺失值填充，增加新特征，特征缩放，分类变量编码)等步骤，接下来继续深入，最终建立预测模型。可以在公众号后台回复“房价”获取两篇文章的数据，代码，PDF文件和思维导图。

认识数据预处理流水线

前面我们使用过sklearn的SimpleImpute类来进行缺失值填充。步骤为：

① 先创建imputer实例

② 调用fit方法将实例适配到训练集

③ 调用transform方法进行缺失值填充，最终返回包含转换后特征的一个numpy数组。

from sklearn.impute import SimpleImputer 
imputer = SimpleImputer(strategy="median")

#删除类别变量
housing_num = housing.drop("ocean_proximity", axis=1)

#这一步可以计算所有数值型属性的中位数
imputer.fit(housing_num)

#这一步会自动进行中位数填充,结果是一个numpy数组
X = imputer.transform(housing_num)

其中后面两步可以合并起来:

imputer = SimpleImputer(strategy="median")
X = imputer.fit_transform(housing_num)

sklearn API 在设计的时候遵循了一致性的设计原则。所有的类(对象)可以分为估算器，转换器，预测器三种。上面的步骤就涉及到前两种。

• 估算器。根据数据集对某些参数进行估算的任意对象都可以成为估算器。估算器调用fit方法，传入数据集(有时会有数据标签)，结合适当的超参数就可以对数据集进行“估算”。本例中，imputer就是估算器，以数据集为参数，strategy是超参数，对源数据的中位数做出预估。
• 转换器。能够转换数据集的估算器称为转换器。转换器调用transform方法，传入待转换数据集，返回转换后的数据集。本例中，imputer也是转换器，把数据集转换为了x，x是填充缺失值后的数据集。调用fit_transform方法相当于先调用fit然后调用transform。但有时候fit_transform是被优化过的，运行会快一些。
• 预测器。(先列出来，后文会涉及到)能够对于给定的数据集进行预测的估算器，包含了predict方法。

这样设计的好处是方便我们使用sklearn中的流水线(pipeline)，还允许我们自定义转换器，这样能够把一系列的步骤统一起来。

自定义添加属性的转换器

为了能与sklearn中的流水线无缝衔接，我们需要实现一个含有fit，transform,fit_transform方法的类。继承BaseEstimator, TransformerMixin类通常比较方便。代码介绍如下：

• 数据准备(点击图片查看大图)
• 自定义转换器我们在自定义了添加属性转换器类时，继承了TransformerMixin类，该类就有了fit_transform()方法。
• 调用自定义转换器添加特征

实现的自定义转换器有一个超参数add_bedrooms_per_room，也可以不用添加。添加的好处是很方便地控制是否在最终的数据集中保留该特征。可以看到housing_num本来是8列，调用自定义转换器之后，变成了11列。这是因为add_bedrooms_per_room=True，添加了3个特征，如果为False，则会只添加两个特征。

构造转换流水线

sklearn中提供了Pipeline类，称为流水线类。它的构造函数会通过一系列的名称/估算器配对来定义步骤的序列，使数据转换按照正确的步骤来执行。除了最后一个是估算器之外，前面都必须是转换器。也就是必须要含有fit_transform()方法。命名可以随意。

当调用流水线的fit方法时，会在所有转换器上依次调用fit_transform方法，将上一个调用的输出作为参数传递给下一个调用方法。到最后一个估算器时，只会调用fit()方法。

流水线的方法与最终估算器的方法相同。当最后一个估算器是转换器时，它含有transform方法，那么流水线也含有该方法。看下面的流水线例子：

num_pipeline调用了fit_transform方法，相当于一次对housing_num进行了填充缺失值，添加属性，特征缩放三个步骤。在前面的文章中我们对一个类别变量ocean_proximity进行了OneHotEncoder编码处理，同样可以定义流水线。并且可以将类别变量和数值变量定义看作是两条并行的流水线，最后组合起来。sklearn中提供了相应的FeatureUnion类。注意两条流水线需要从选择转换器开始，选择出相应的待处理属性。完整的代码如下：

• 自定义选择转换器
• 定义两条流水线，然后合并

除了自定义选择转换器，新版本的sklearn中也有可以直接使用的ColumnTransformer，这样就省去了自己定义选择器的步骤，代码如下所示，可以看到两种方式的结果是完全一样的（最后一行的代码返回True的结果）

初步训练模型

首先建立一个简单的线性模型并查看训练误差。如下面代码所示，主要使用了sklearn里的linear_model模块和metrics模块。

评估的标准我们使用的是RMSE，这里给出误差值是68628美元，在前一篇文章中给出了median_housing_values的两个四分位数大约分别是12w和26.5w，因此这个误差值并不理想，是一种“欠拟合”的情况。可以尝试添加新的特征或者训练更强大的模型来改善这种情况。本文不做过多的特征工程，主要来对比一下不同模型的效果。下面我们尝试一下决策树模型。

可以看到，决策树模型确实很强大，做到了0训练误差。通常这是一种“过拟合”的情况。

使用交叉验证评估模型

sklearn中提供了交叉验证的功能。K-折交叉验证的过程是，将训练集随机分割成K个不同的子集。每个子集称为一折(fold)。接下来训练K次，每次训练时，选其中一折为验证集，另外的K-1折为训练集。最终输出一个包含K次评估分数的数组。下图表示了5折交叉验证的过程。

我们采用K=10时的代码，进行评估:

交叉验证功能更倾向于使用效用函数(越大越好)，而不是成本函数(越小越好)。因此得出的分数实际上是负分MSE。可以参考文档的参数说明

https://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter

对比树模型和线性模型的交叉验证结果，树模型的误差平均值较大，方差较小，线性模型的误差平均值较小，方差较大。线性模型略好于树模型。

尝试其他模型：随机森林和SVM

• 随机森林

• SVM

几个模型的结果总结如下面表格：

目前来看随机森林的表现最好：训练集和交叉验证的误差得分都小。但训练集的分数仍然远低于验证集，说明存在一定的过度拟合。

使用网格搜索调整超参数

sklearn中提供了GridSearchCV帮我们进行参数的网格搜索，需要事先指定超参数组合。例如下面以随机森林为例说明：

param_grid中有两个dict，它的含义是，首先评估第一个dict中n_estimator和max_features的所有组合，共3X4=12种。然后尝试第二个dict中的参数组合，共2X3=6种，并且次数的booststrap参数应该设置为False(默认值为True)。超参数的组合一共是18种，我们还使用了5折交叉验证，因此一共要进行90次训练。

查看gridsearch为我们找到的最优参数：

可以看到，最优的参数组合为max_features为8，n_estimators为30，对应的验证集分数为49682，比之前默认的模型要好一些。

可以通过将搜索结果转为dataframe查看更多细节：

使用随机搜索调整超参数

随机搜索是使用了sklearn中的RandomizedSearchCV。与GridSearchCV相比，它不会尝试所有可能的组合，而是在每次迭代时为每个超参数选择一个随机值，然后对一定数量的随机组合进行评估。运行10次迭代的结果如下：

可以看到，max_feature为7，n_estimators为180时，得到的误差最小，是最好的组合。比刚才网格搜索的结果还略好一些。

将最优模型应用于测试集

通过前面的分析，我们认为随机森林模型效果是最好的，并且使用两种方式取得了最佳的超参数。接下来要在测试集上使用最佳模型。见下面的代码：

我们在之前构造了处理对数据集进行预处理的流水线，在测试集上也只需要调用transform方法就可以很方便地转换数据，并最终将模型预测的结果与实际结果进行比较得到测试集上的RMSE。随机搜索的结果要略好于网格搜索的结果。

小结

至此我们从数据探索开始，最终实现了一个机器学习项目完整的流程。本文我们采用的是在特征不变的情况下寻找最优的模型。想提升模型的表现还可以通过深入做一些特征工程的方式，从而能用更好的特征表达数据的分布。实际中更多的会采用两种方式结合。另外需要指出：预测器同样也可以结合在pipeline中，这样能进一步简化对于数据的处理和测试工作。

本文的小结如下面脑图所示，可以在公众号后台回复“房价”获取两篇文章的数据，代码，PDF文件和思维导图。

reference:

《机器学习实战：基于Scikit-Learn和Tensorflow》第二章