使用sklearn进行数据挖掘-房价预测(6)—模型调优

时间：2024-01-02 09:38:26

使用sklearn进行数据挖掘系列文章：

通过上一节的探索，我们会得到几个相对比较满意的模型，本节我们就对模型进行调优

网格搜索###

列举出参数组合，直到找到比较满意的参数组合，这是一种调优方法，当然如果手动选择并一一进行实验这是一个十分繁琐的工作，sklearn提供了GridSearch-网格搜索方法，我们只需要将每一个参数的取值告诉它，网格搜索将使用交叉验证方法对所有情况进行验证，并返回结果最好的组合。

from sklearn.model_selection import GridSearchCV

param_grid = [

    # 12 (3×4) 种超参数组合

    {'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]}, #组合1

    #  6 (2×3) 种

    {'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]},#组合2

  ]

forest_reg = RandomForestRegressor(random_state=42)

# 5折交叉验证，总共需要 (12+6)*5=90 次训练

grid_search = GridSearchCV(forest_reg, param_grid, cv=5,

                           scoring='neg_mean_squared_error')

grid_search.fit(housing_prepared, housing_labels)

Note:上面param_grid中的字典key可不是随便起的，这些都是需要网格搜索的模型中的参数。另外当你不知道如何选取参数的时候可以按照10的平方取值或者从小到大的值。

  • 1.看看上面的结果（可能是一个漫长的过程）：
>>grid_search.best_params_

{'max_features': 8, 'n_estimators': 30}
  • 2.再看一看最好的分类器
>>grid_search.best_estimator_

RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,

           max_features=8, max_leaf_nodes=None, min_impurity_split=1e-07,

           min_samples_leaf=1, min_samples_split=2,

           min_weight_fraction_leaf=0.0, n_estimators=30, n_jobs=1,

           oob_score=False, random_state=42, verbose=0, warm_start=False)
  • 3.看一看得分
>>grid_search.best_score_

-2469578258.9821739

如果我们想看以下各个参数组合的情况呢？

cv_result = grid_search.cv_results_

cv_result是一个字典类型，记录了整个训练过程的数据

>>cv_result.keys(

['std_train_score',

 'rank_test_score',

 'split4_test_score',

 'param_bootstrap',

 'split2_train_score',

 'param_n_estimators',

 'std_score_time',

 'split4_train_score',

 'split2_test_score',

 'mean_score_time',

 'mean_fit_time',

 'split3_train_score',

 'split0_train_score',

 'std_test_score',

 'split1_train_score',

 'split0_test_score',

 'mean_test_score',

 'param_max_features',

 'params',

 'std_fit_time',

 'split3_test_score',

 'mean_train_score',

 'split1_test_score']
  • 4.看一下组合的分值
>>for mean_score, params in zip(cv_result ["mean_test_score"], cv_result ["params"]):

        print(np.sqrt(-mean_score), params)

(63825.047930176741, {'max_features': 2, 'n_estimators': 3})

(55643.842909084706, {'max_features': 2, 'n_estimators': 10})

(53380.65668593633, {'max_features': 2, 'n_estimators': 30})

(60959.138858487866, {'max_features': 4, 'n_estimators': 3})

(52740.584166652523, {'max_features': 4, 'n_estimators': 10})

(50374.142146147307, {'max_features': 4, 'n_estimators': 30})

(58661.2866461823, {'max_features': 6, 'n_estimators': 3})

(52009.973979776936, {'max_features': 6, 'n_estimators': 10})

(50154.117773684942, {'max_features': 6, 'n_estimators': 30})

(57865.361680144459, {'max_features': 8, 'n_estimators': 3})

(51730.075508665534, {'max_features': 8, 'n_estimators': 10})

(49694.851433344418, {'max_features': 8, 'n_estimators': 30})

(62874.407393096284, {'max_features': 2, 'n_estimators': 3, 'bootstrap': False})

(54561.939815728343, {'max_features': 2, 'n_estimators': 10, 'bootstrap': False})

(59416.646314497353, {'max_features': 3, 'n_estimators': 3, 'bootstrap': False})

(52660.245911032733, {'max_features': 3, 'n_estimators': 10, 'bootstrap': False})

(57490.016827879947, {'max_features': 4, 'n_estimators': 3, 'bootstrap': False})

(51093.905942805257, {'max_features': 4, 'n_estimators': 10, 'bootstrap': False})

上面正好有18种组合结果。在第四节的时候，我们自己定义了一个estimatorCombinedAttributesAdder其中有一个参数add_bedrooms_per_room 我们也可以将其加入网格搜索中。

在测试集合上评估模型###

上面我们已经得到了我们最好的模型，那么模型到底如何呢？是骡子是马拉出来溜溜，测试集该上场了，

final_model = grid_search.best_estimator_

#去掉标签

X_test = strat_test_set.drop("median_house_value", axis=1)

y_test = strat_test_set["median_house_value"].copy()

#这个时候只需要transform

X_test_prepared = full_pipeline.transform(X_test)

final_predictions = final_model.predict(X_test_prepared)

#均方误差

final_mse = mean_squared_error(y_test, final_predictions)

final_rmse = np.sqrt(final_mse)

>>final_rmse

 47766.003966433083

持久化模型###

模型已经建立好了，当下次再使用的时候，为了避免再次繁琐的训练过程，我们考虑将模型给存储起来，python提供了pickle方法，当然我们也可以使用sklearn提供的joblib方法，这种方法相对更加的高效。

from sklearn.externals import joblib

#存储

joblib.dump(final_model,'best_model.pkl')

#加载

best_model = joblib.load('best_model.pkl')

#后续的使用....

总结###

至此，本系列的使用sklearn对房价进行预测的文章就此结束，本系列文章主要介绍了并实战了数据挖掘过程种的一些步骤、工具的使用方法及技巧。一路走来看似平坦实则为坑坑洼洼，还有很多需要完善的地方，如特征的组合、模型的选择等等。希望看完本系列之后能够让你对数据挖掘有更深的理解-(完)

相关文章