预测华盛顿州金县的房价

预测华盛顿州金县的房价

华盛顿州金县是华盛顿州人口最多的县。它也是美国第 12 大人口大国。华盛顿人口最多的城市是西雅图。我的目标是根据 2014 年 5 月至 2015 年 5 月期间在美国华盛顿州金县售出的房屋来预测房屋价格，并创建一个模型，供购房者、房屋卖家和在线房地产清单用来确定价格的一个家。

你可以查看我的 G 机会 查看整个项目。

数据整理

这个 是我正在使用的数据。下面是列及其描述和数据类型的列表。

让我们使用 df.info() 来查看数据的信息。

数据清洗

• 数据集中没有重复项。
• 有两行（索引 10 和 17）的“sqft_above”为空值。我刚刚删除了这些行。

异常值

• “卧室”列中有一行有 33。这是一个异常值，我删除了该行。
• 有 13 行的“卧室”列为 0。我把它们过滤掉了。
• 对于“sqft_lot”列，有 5 行的面积大于 75,000 平方英尺。我也过滤掉了这些行。这些房子很可能是农田。

探索性数据分析

绘制区域

进口 plotly.express 作为 像素 price_per_sqft = df['价格'] . 申请（np . 日志） / df['sqft_lot']

图 = 像素 . scatter_mapbox（df，纬度 = “纬度”，经度 = “长”，
颜色 = price_per_sqft,
最大尺寸 = 15,
飞涨 = 10,
mapbox_style = 'carto-positron',
标题 = “华盛顿州金县房屋每平方英尺的价格”，
color_discrete_sequence = [像素 . 颜色 . 周期性的 . 冰火]) 图 . 节目（）

上图显示了房屋每平方英尺的价格。靠近华盛顿州西雅图的房子，每平方英尺的价格越贵。我用了 情节地 为图表。

价格分布

图，斧头 = plt . 子图（图大小 = (15,10))

斧头 = sns . 直方图（x = “价格”，数据 = df，在哪里 =真 ) . 设置（标题 = '价格分布'）

上图显示了目标变量（价格）的分布。房价有$350,000和$450,000两种模式。

随机森林特征重要性

特征重要性 = PD . 数据帧(rf . 特征重要性，索引 =
X_train . 列，列 = ['重要性']）
. sort_values('重要性'，升序 =假 )

#情节重要性
特征重要性 . 情节（种类 = '巴'） . invert_yaxis()

上图显示了使用随机森林特征重要性的特征重要性。特征重要性图表告诉我们在确定房屋价格时最重要的特征。 “sqft_living”、“grade”、“lat”和“long”是前四个重要特征。 “sqft_living”是决定房屋价格的最重要特征。

SHAP 特征重要性

进口 形状
# 加载 JS 可视化代码到 notebook
形状 . initjs() 解说员 = 形状 . TreeExplainer(rf)
形状值 = 解说员 . 形状值（X） ＃阴谋
一世 = 4
形状 . force_plot（解释器 . 预期值，shap_values[i]，特征 = X . iloc[i]，特征名称 = X . 列） #摘要条形图
形状 . summary_plot（shap_values，特征 = X，特征名称 = X . 列，plot_type = “酒吧”，情节大小 = (2.0, 5.0))

SHAP Feature Importance

上图显示了基于 SHAP 的特征重要性。 SHAP 基于特征属性的大小。基于 SHAP 特征重要性，“sqft_living”、“grade”、“long”、“sqft_living15”是前 4 个特征。随机森林特征重要性和 SHAP 特征重要性具有相似的前 4 个重要特征。

我们将看看 EDA 的这四大功能。

主要功能

图，斧头 = plt . 子图（图大小 = (10,5))

斧头 = sns . 散点图（x = “sqft_living”，是的 = “价格”，色调 = “价格”，
数据 = df，调色板 = '岩浆'） . 放（
标题 = '价格与 sqft_living')

上图显示了“price”和“sqft_living”之间的关系。通常，房子的面积越大，价格就越高。最昂贵的房子有12,000平方英尺。大多数房屋的面积在 2,000 到 6,000 平方英尺之间。

图，ax = plt.subplots(figsize=(12,7)) ax = sns.boxplot(x="grade", y="price", data=df,
调色板='岩浆'）.set（标题='价格与等级'）

上图显示了“价格”和“等级”之间的关系。成绩基于金县的评分系统。如果你有更好的成绩，你应该期待更高的房价。通常情况下，档次越高的房子房价越高。

图，ax = plt.subplots(figsize=(15,5)) ax = sns.scatterplot(x="lat", y="price", hue='price',
数据=df，调色板='岩浆'）.set（标题='价格与纬度'）

上图显示了“价格”和纬度（“纬度”）之间的关系。华盛顿州西雅图的纬度为 47.608013。房子离西雅图越近，房价可能越高。价格较高的房屋位于纬度 47.5 到 47.7 之间。

图，斧头 = plt . 子图（图大小 = (15,5))

斧头 = sns . 散点图（x = “长”，y = “价格”，色调 = '价格'，数据 = df,
调色板 = '岩浆'） . 设置（标题 = '价格与长期'）

上图显示了“价格”和经度（“长”）之间的关系。华盛顿州西雅图的经度为 -122.335167。房子的经度越靠近西雅图，它的房价就有可能更高。价格较高的房屋位于经度 -122.4 和 -122.2 之间。

预处理和训练

我测试了三种不同的基本模型以确定最佳模型。我选择线性回归是因为它显示了 2 个变量之间的关系，岭回归是因为它是一种有助于过度拟合的 L2 正则化，而随机森林回归是因为它使用集成学习方法进行回归，从而比单个模型做出更准确的预测。

基于 GridScarchCV 中的“最佳参数”列来确定每个模型的最佳参数。

随机森林回归器基于 RMSE（均方根误差）表现最好。

均方根误差是均方误差的平方根。 RMSE 用于通过显示预测与测量的真实值相差多远来评估预测的质量。

平均绝对百分比误差 (MAPE) 用于衡量预测准确性。 MAPE 是百分比误差的平均值

造型

我想看看我是否可以改进模型，所以我创建了四个具有不同自变量的不同随机森林模型。

所有模型的参数如下：

• 最大深度=30
• max_features='自动'
• n_estimators=400

模型概述

• 'Rf_model' 是具有原始自变量的模型。
• “rf_model2”没有基于随机森林特征重要性的无关紧要的变量。
• “rf_model3”是基于随机森林特征重要性的顶级特征。
• “rf_model4”是基于 SHAP 特征重要性的顶级特征。

“rf_model”是基于所有指标表现最好的模型。

残差图

上图是“rf_model”的残差图。残差图显示了观测值和预测值之间的预测误差。该图还表明我们的数据存在过度拟合。改善过拟合的一种方法是收集更多数据。

结论

面积、等级、纬度和经度是决定房屋价格的四大重要因素。最佳模型的平均绝对百分比误差为 13%，但仍需要一些改进。根据“rf_model”的残差图，表明存在过拟合。下一步是纠正过拟合。纠正过度拟合的一种方法是获取更多关于已售房屋的数据。希望在进行这些改进后，此模型可用于购房者/卖方或在线房产列表。

完整的代码 Github .

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明

本文链接：https://www.qanswer.top/18556/23110609