携手创造，一起生长！这是我参与「日新方案 8 月更文挑战」的第32天，点击检查活动详情

• 作者：韩信子@ShowMeAI
• 数据剖析实战系列：www.showmeai.tech/tutorials/4…
• 机器学习实战系列：www.showmeai.tech/tutorials/4…
• 本文地址：www.showmeai.tech/article-det…
• 声明：版权所有，转载请联络渠道与作者并注明出处
• 保藏ShowMeAI检查更多精彩内容

咱们出去旅游最关怀的问题之一就是住宿，在国外以 Airbnb 为代表的民宿互联网模式彻底改变了酒店业，很多游客更喜爱预订 Airbnb 而不是酒店，而在国内的美团飞猪等渠道，也有大量的民宿入驻。

在现在这个信息通明敞开的互联网时代，咱们能否收集数据信息，开发一个机器学习模型来猜测房源价格，为自己的出行供给更智能化的信息呢？肯定是能够的，下面ShowMeAI以Airbnb在大曼彻斯特区域的房源数据为例（到 2022 年 3 月），来演示数据剖析与发掘建模的全过程，同样的办法模式能够使用在咱们了解的国内渠道上。

下面的项目事务和 Airbnb民宿数据 来源于 Inside Airbnb，包含有关 Airbnb 对住宅社区影响的数据和宣扬。数据源能够在上述链接中获取，咱们也能够访问ShowMeAI的百度网盘地址，获取咱们为咱们存储好的项目数据。

实战数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『实战』，或许点击 这里 获取本文 [22]依据Airbnb数据的民宿房价猜测模型 『Airbnb民宿数据』

⭐ ShowMeAI官方GitHub：github.com/ShowMeAI-Hu…

事务问题

一般咱们需要在开始发掘和建模之前，深化了解咱们的事务场景和数据状况，咱们先总结了一些在这个事务场景下咱们关怀的一些事务问题，咱们将经过数据剖析发掘来完结这些事务问题的理解。

• 哪些区域或乡镇的 Airbnb 房源最多？
• 最受欢迎的房型是什么？
• 大曼彻斯特区域的 Airbnb 房源价格特点是什么？
• 房源与房东的散布状况？
• 大曼彻斯特区域有哪些房型可供挑选？
• 机器学习模型猜测该区域 Airbnb 房源价格的思路是什么样的？
• 在猜测大曼彻斯特区域 Airbnb 房源的价格时，哪些特征更重要？

数据读取与初探

咱们先导入本次需要运用到的剖析发掘与建模东西库

import numpy as np
import pandas as pd
from tqdm.notebook import tqdm, trange
import seaborn as sb
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error
from sklearn.preprocessing import StandardScaler
import statsmodels.api as sm
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import GradientBoostingRegressor
from statsmodels.stats.outliers_influence import variance_inflation_factor
from sklearn.inspection import permutation_importance
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)

接下来咱们读取大曼彻斯特区域的房源数据

gm_listings = pd.read_csv('gm_listings-2.csv')
gm_calendar = pd.read_csv('calendar-2.csv')
gm_reviews = pd.read_csv('reviews-2.csv')

检查数据的根底信息如下

gm_listings.head()

gm_listings.shape
# (3584, 74)
gm_listings.columns

gm_calendar.head()

gm_reviews.head()

咱们对数据的初览能够看到，大曼彻斯特区域的房源数据集包含 3584 行和 78 列，包含有关房东、房源类型、区域和评级的信息。

数据清洗

数据清洗是机器学习建模使用的【特征工程】阶段的中心步骤，它触及的办法技能欢迎咱们查阅ShowMeAI对应的教程文章，快学快用。

• 机器学习实战 | 机器学习特征工程最全解读

字段清洗

因为数据中的字段很多，有些字段比较乱，咱们需要做一些数据清洗的作业，数据包含一些带有URL的列，对最终的猜测作用不大，咱们把它们清洗掉。

# 删去url字段
def drop_function(df):
    df = df.drop(columns=['listing_url', 'description', 'host_thumbnail_url', 'host_picture_url', 'latitude', 'longitude', 'picture_url', 'host_url', 'host_location', 'neighbourhood', 'neighbourhood_cleansed', 'host_about', 'has_availability', 'availability_30', 'availability_60', 'availability_90', 'availability_365', 'calendar_last_scraped'])
    return df
gm_df = drop_function(gm_listings)

删去过后的数据如下，干净很多

缺失值处理

数据中也包含了一些缺失值，咱们对它们进行剖析处理：

# 检查缺失值百分比
(gm_df.isnull().sum()/gm_df.shape[0])* 100

得到如下成果

id                                                0.000000
scrape_id                                         0.000000
last_scraped                                      0.000000
name                                              0.000000
neighborhood_overview                            41.266741
host_id                                           0.000000
host_name                                         0.000000
host_since                                        0.000000
host_response_time                               10.212054
host_response_rate                               10.212054
host_acceptance_rate                              5.636161
host_is_superhost                                 0.000000
host_neighbourhood                               91.657366
host_listings_count                               0.000000
host_total_listings_count                         0.000000
host_verifications                                0.000000
host_has_profile_pic                              0.000000
host_identity_verified                            0.000000
neighbourhood_group_cleansed                      0.000000
property_type                                     0.000000
room_type                                         0.000000
accommodates                                      0.000000
bathrooms                                       100.000000
bathrooms_text                                    0.306920
bedrooms                                          4.687500
beds                                              2.120536
amenities                                         0.000000
price                                             0.000000
minimum_nights                                    0.000000
maximum_nights                                    0.000000
minimum_minimum_nights                            0.000000
maximum_minimum_nights                            0.000000
minimum_maximum_nights                            0.000000
maximum_maximum_nights                            0.000000
minimum_nights_avg_ntm                            0.000000
maximum_nights_avg_ntm                            0.000000
calendar_updated                                100.000000
number_of_reviews                                 0.000000
number_of_reviews_ltm                             0.000000
number_of_reviews_l30d                            0.000000
first_review                                     19.810268
last_review                                      19.810268
review_scores_rating                             19.810268
review_scores_accuracy                           20.089286
review_scores_cleanliness                        20.089286
review_scores_checkin                            20.089286
review_scores_communication                      20.089286
review_scores_location                           20.089286
review_scores_value                              20.089286
license                                         100.000000
instant_bookable                                  0.000000
calculated_host_listings_count                    0.000000
calculated_host_listings_count_entire_homes       0.000000
calculated_host_listings_count_private_rooms      0.000000
calculated_host_listings_count_shared_rooms       0.000000
reviews_per_month                                19.810268
dtype: float64

咱们分几种不同的份额状况对缺失值进行处理：

• 高缺失份额的字段，如license、calendar_updated、bathrooms、host_neighborhood等包含90%以上的NaN值，包含neighborhood overview是41%的NaN，并且包含文本数据。咱们会直接除掉这些字段。

• 数值型字段，缺失不多的状况下，咱们用字段平均值进行填充。这保证了这些值的散布被保存下来。这些列包含bedrooms、beds、review_scores_rating、review_scores_accuracy和其他打分字段。

• 类别型字段，像bathrooms_text和host_response_time，咱们用众数进行填充。

# 除掉高缺失份额字段
def drop_function_2(df):
    df = df.drop(columns=['license', 'calendar_updated', 'bathrooms', 'host_neighbourhood', 'neighborhood_overview'])
    return df
gm_df = drop_function_2(gm_df)
# 均值填充
def input_mean(df, column_list):
    for columns in column_list: 
        df[columns].fillna(value = df[columns].mean(), inplace=True)
    return df
column_list = ['review_scores_rating', 'review_scores_accuracy', 'review_scores_cleanliness',
              'review_scores_checkin', 'review_scores_communication', 'review_scores_location',
              'review_scores_value', 'reviews_per_month',
              'bedrooms', 'beds']
gm_df = input_mean(gm_df, column_list)
# 众数填充
def input_mode(df, column_list):    
    for columns in column_list:        
        df[columns].fillna(value = df[columns].mode()[0], inplace=True)
    return df
column_list = ['first_review', 'last_review', 'bathrooms_text', 'host_acceptance_rate', 
               'host_response_rate', 'host_response_time']
gm_df = input_mode(gm_df, column_list)

字段编码

host_is_superhost 和 has_availability 等列对应的字符串意义为 true 或 false，咱们对其编码替换为0或1。

gm_df = gm_df.replace({'host_is_superhost': 't', 'host_has_profile_pic': 't', 'host_identity_verified': 't', 'has_availability': 't', 'instant_bookable': 't'}, 1)
gm_df = gm_df.replace({'host_is_superhost': 'f', 'host_has_profile_pic': 'f', 'host_identity_verified': 'f', 'has_availability': 'f', 'instant_bookable': 'f'}, 0)

咱们检查下替换后的数据散布

gm_df['host_is_superhost'].value_counts()

字段格式转化

价格相关的字段，现在仍是字符串类型，包含“$”等符号，咱们对其处理并转化为数值型。

def string_to_int(df, column):
    # 字符串替换整理
    df[column] = df[column].str.replace("$", "")
    df[column] = df[column].str.replace(",", "")
    # 转为数值型
    df[column] = pd.to_numeric(df[column]).astype(int)
    return df
gm_df = string_to_int(gm_df, 'price')

列表型字段编码

像host_verifications和amenities这样的字段，取值为列表格式，咱们对其进行编码处理（用哑变量替换）。

# 检查列表型取值字段
gm_df_copy = gm_df.copy()
gm_df_copy['amenities'].head()

gm_df_copy['host_verifications'].head()

# 哑变量编码
gm_df_copy['amenities'] = gm_df_copy['amenities'].str.replace('"', '')
gm_df_copy['amenities'] = gm_df_copy['amenities'].str.replace(']', "")
gm_df_copy['amenities'] = gm_df_copy['amenities'].str.replace('[', "")
df_amenities = gm_df_copy['amenities'].str.get_dummies(sep = ",")
gm_df_copy['host_verifications'] = gm_df_copy['host_verifications'].str.replace("'", "")
gm_df_copy['host_verifications'] = gm_df_copy['host_verifications'].str.replace(']', "")
gm_df_copy['host_verifications'] = gm_df_copy['host_verifications'].str.replace('[', "")
df_host_ver = gm_df_copy['host_verifications'].str.get_dummies(sep = ",")

编码后的成果如下所示

df_amenities.head()
df_host_ver.head()

# 删去原始字段
gm_df = gm_df.drop(['host_verifications', 'amenities'], axis=1)

数据探究

下一步咱们要进行更全面一些的探究性数据剖析。

EDA数据剖析部分触及的东西库，咱们能够参阅ShowMeAI制作的东西库速查表和教程进行学习和快速运用。

• 数据科学东西库速查表 | Pandas 速查表

• 图解数据剖析：从入门到通晓系列教程

哪些街区的房源最多？

gm_df['neighbourhood_group_cleansed'].value_counts()

bar_data = gm_df['neighbourhood_group_cleansed'].value_counts().sort_values()
# 从bar_data构建新的dataframe
bar_data = pd.DataFrame(bar_data).reset_index()
bar_data['size'] = bar_data['neighbourhood_group_cleansed']/gm_df['neighbourhood_group_cleansed'].count()
# 排序 
bar_data.sort_values(by='size', ascending=False)
bar_data = bar_data.rename(columns={'index' : 'Towns', 'neighbourhood_group_cleansed' : 'number_of_listings',
                        'size':'fraction_of_total'})
#绘图展现
#plt.figure(figsize=(10,10));
bar_data.plot(kind='barh', x ='Towns', y='fraction_of_total', figsize=(8,6))
plt.title('Towns with the Most listings');
plt.xlabel('Fraction of Total Listings');

曼彻斯特镇拥有大曼彻斯特区域的大部分房源，占总房源的 53% (1849)，其次是索尔福德，占总房源的 17% ；特拉福德，占总房源的 9%。

大曼彻斯特区域的 Airbnb 房源价格散布

gm_df['price'].mean(), gm_df['price'].min(), gm_df['price'].max(),gm_df['price'].median()
# (143.47600446428572, 8, 7372, 79.0)

Airbnb 房源的均价为 143 美元，中位价为 79 美元，数据会集观察到的最高价格为 7372 美元。

# 划分价格档位区间
labels = ['$0 - $100', '$100 - $200', '$200 - $300', '$300 - $400', '$400 - $500', '$500 - $1000', '$1000 - $8000']
price_cuts = pd.cut(gm_df['price'], bins = [0, 100, 200, 300, 400, 500, 1000, 8000], right=True, labels= labels)
# 从价格档构建dataframe
price_clusters = pd.DataFrame(price_cuts).rename(columns={'price': 'price_clusters'})
# 拼接原始dataframe
gm_df = pd.concat([gm_df, price_clusters], axis=1)
# 散布绘图
def price_cluster_plot(df, column, title):    
    plt.figure(figsize=(8,6));
    yx = sb.histplot(data = df[column]);
    total = float(df[column].count())
    for p in yx.patches:
        width = p.get_width()
        height = p.get_height()
        yx.text(p.get_x() + p.get_width()/2.,height+5, '{:1.1f}%'.format((height/total)*100), ha='center')
    yx.set_title(title);
    plt.xticks(rotation=90)
    return yx
price_cluster_plot(gm_df, column='price_clusters', 
                   title='Price distribution of Airbnb Listings in the Greater Manchester Area');

从上面的剖析和可视化成果能够看出，65.4% 的总房源价格在 0-100 美元之间，而价格在 100-200 美元的房源占总房源的 23.4%。不过咱们也观察到数据散布有很明显的长尾特性，也能够把特别高价的部分视作异常值，它们可能会对咱们的剖析有一些影响。

最受欢迎的房型是什么

# 依据谈论量统计排序
ax = gm_df.groupby('property_type').agg(
    median_rating=('review_scores_rating', 'median'),number_of_reviews=('number_of_reviews', 'max')).sort_values(
by='number_of_reviews', ascending=False).reset_index()
ax.head()

在谈论最多的前 10 种房产类型中， Entire rental unit 谈论数量最多，其次是Private room in rental unit。

# 可视化
bx = ax.loc[:10]
bx =sb.boxplot(data =bx, x='median_rating', y='property_type')
bx.set_xlim(4.5, 5)
plt.title('Most Enjoyed Property types');
plt.xlabel('Median Rating');
plt.ylabel('Property Type')

房东与房源散布

# 持有房源最多的房东
host_df = pd.DataFrame(gm_df['host_name'].value_counts()/gm_df['host_name'].count() *100).reset_index()
host_df = host_df.rename(columns={'index':'name', 'host_name':'perc_count'})
host_df.head(10)

host_df['perc_count'].loc[:10].sum()

从上述剖析能够看出，房源最多的前 10 名房东占房源总数的 13.6%。

大曼彻斯特区域供给的客房类型散布

gm_df['room_type'].value_counts()

# 散布绘图
zx = sb.countplot(data=gm_df, x='room_type')
total = float(gm_df['room_type'].count())
for p in zx.patches:
    width = p.get_width()
    height = p.get_height()
    zx.text(p.get_x() + p.get_width()/2.,height+5, '{:1.1f}%'.format((height/total)*100), ha='center')
    zx.set_title('Plot showing different type of rooms available');
    plt.xlabel('Room')

大部分客房是 整栋房屋/公寓 ，占房源总数的 60%，其次是私家客房，占房源总数的 39%，共享房间 和 酒店房间 分别占房源的 0.7% 和 0.5%。

机器学习建模

下面咱们运用回归建模办法来对民宿房源价格进行预估。

特征工程

关于特征工程，欢迎咱们查阅ShowMeAI对应的教程文章，快学快用。

• 机器学习实战 | 机器学习特征工程最全解读

咱们首要对原始数据进行特征工程，得到合适建模的数据特征。

# 检查此刻的数据集
gm_df.head()

# 回归数据集
gm_regression_df = gm_df.copy()
# 除掉无用字段
gm_regression_df = gm_regression_df.drop(columns=['id', 'scrape_id', 'last_scraped', 'name', 'host_id', 'host_since', 'first_review', 'last_review', 'price_clusters', 'host_name'])
# 再次检查数据
gm_regression_df.head()

咱们发现host_response_rate 和 host_acceptance_rate字段带有百分号，咱们再做一点数据清洗。

# 去除百分号并转化为数值型
gm_regression_df['host_response_rate'] =  gm_regression_df['host_response_rate'].str.replace("%", "")
gm_regression_df['host_acceptance_rate'] =  gm_regression_df['host_acceptance_rate'].str.replace("%", "")
# convert to int
gm_regression_df['host_response_rate'] = pd.to_numeric(gm_regression_df['host_response_rate']).astype(int)
gm_regression_df['host_acceptance_rate'] =  pd.to_numeric(gm_regression_df['host_acceptance_rate']).astype(int)
# 检查转化后成果
gm_regression_df['host_response_rate'].head()

bathrooms_text 列包含数字和文本数据的组合，咱们对其做一些处理

# 检查原始字段
gm_regression_df['bathrooms_text'].value_counts()

# 切分与数据处理
def split_bathroom(df, column, text, new_column):
    df_2 = df[df[column].str.contains(text, case=False)]
    df.loc[df[column].str.contains(text, case=False), new_column] = df_2[column]
    return df
# 使用上述函数
gm_regression_df = split_bathroom(gm_regression_df, column='bathrooms_text', text='shared', new_column='shared_bath')
gm_regression_df = split_bathroom(gm_regression_df, column='bathrooms_text', text='private', new_column='private_bath')
# 检查shared_bath字段
gm_regression_df['shared_bath'].value_counts()

# 检查private_bath字段
gm_regression_df['private_bath'].value_counts()

gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("private bath", "pb", case=False)
gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("private baths", "pbs", case=False)
gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("shared bath", "sb", case=False)
gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("shared baths", "sb", case=False)
gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("shared half-bath", "sb", case=False)
gm_regression_df['bathrooms_text'] =  gm_regression_df['bathrooms_text'].str.replace("private half-bath", "sb", case=False)
gm_regression_df = split_bathroom(gm_regression_df, column='bathrooms_text', text='bath', new_column='bathrooms_new')
gm_regression_df['shared_bath'] = gm_regression_df['shared_bath'].str.split(" ", expand=True)
gm_regression_df['private_bath'] = gm_regression_df['private_bath'].str.split(" ", expand=True)
gm_regression_df['bathrooms_new'] = gm_regression_df['bathrooms_new'].str.split(" ", expand=True)
# 填充缺失值为0 
gm_regression_df = gm_regression_df.fillna(0)
gm_regression_df['shared_bath'] = gm_regression_df['shared_bath'].replace(to_replace='Shared', value=0.5)
gm_regression_df['private_bath'] = gm_regression_df['private_bath'].replace(to_replace='Private', value=0.5)
gm_regression_df['bathrooms_new'] = gm_regression_df['bathrooms_new'].replace(to_replace='Half-bath', value=0.5)
# 转成数值型
gm_regression_df['shared_bath'] = pd.to_numeric(gm_regression_df['shared_bath']).astype(int)
gm_regression_df['private_bath'] = pd.to_numeric(gm_regression_df['private_bath']).astype(int)
gm_regression_df['bathrooms_new'] =  pd.to_numeric(gm_regression_df['bathrooms_new']).astype(int)
# 检查处理后的字段
gm_regression_df[['shared_bath', 'private_bath', 'bathrooms_new']].head()

下面咱们对类别型字段进行编码，依据字段意义的不同，咱们运用「序号编码」和「独热向量编码」等办法来完结。

# 序号编码
def encoder(df):
    for column in df[['neighbourhood_group_cleansed', 'property_type']].columns:
        labels = df[column].astype('category').cat.categories.tolist()
        replace_map = {column : {k: v for k,v in zip(labels,list(range(1,len(labels)+1)))}}
        df.replace(replace_map, inplace=True)
        print(replace_map)
    return df 
gm_regression_df = encoder(gm_regression_df)

咱们关于host_response_time和room_type字段，运用独热向量编码（哑变量改换）

host_dummy = pd.get_dummies(gm_regression_df['host_response_time'], prefix='host_response')
room_dummy = pd.get_dummies(gm_regression_df['room_type'], prefix='room_type')
# 拼接编码后的字段
gm_regression_df = pd.concat([gm_regression_df, host_dummy, room_dummy], axis=1)
# 除掉原始字段
gm_regression_df = gm_regression_df.drop(columns=['host_response_time', 'room_type'], axis=1)

咱们再把之前处理过的df_amenities做一点处理，再拼接到数据特征里

df_3 = pd.DataFrame(df_amenities.sum())
features = df_3['amenities'][:150].to_list()
amenities_updated = df_amenities.filter(items=(features))
gm_regression_df = pd.concat([gm_regression_df, amenities_updated], axis=1)

检查一下最终数据的维度

gm_regression_df.shape
# (3584, 198)

咱们最终得到了198个字段，为了避免特征之间的多重共线性，运用方差因子法（VIF）来挑选机器学习模型的特征。 VIF 大于 10 的特征被删去，因为这些特征的方差能够由数据会集的其他特征表明和解说。

# 计算VIF
vif_model = gm_regression_df.drop(['price'], axis=1)
vif_df = pd.DataFrame()
vif_df['feature'] = vif_model.columns
vif_df['VIF'] = [variance_inflation_factor(vif_model.values, i) for i in range(len(vif_model.columns))]
# 选出小于10的特征
vif_df_new = vif_df[vif_df['VIF']<=10]
feature_list =  vif_df_new['feature'].to_list()
# 选出这些特征对应的数据
model_df = gm_regression_df.filter(items=(feature_list))
model_df.head()

咱们拼接上price目标标签字段，能够构建完整的数据集

price_col = gm_regression_df['price']
model_df = model_df.join(price_col)

机器学习算法

咱们在这里运用几个典型的回归算法，包含线性回归、RandomForestRegression、Lasso Regression 和 GradientBoostingRegression。

关于机器学习算法的使用办法，欢迎咱们查阅ShowMeAI对应的教程与文章，快学快用。

• 机器学习实战：手把手教你玩转机器学习系列

• 机器学习实战 | SKLearn入门与简单使用事例

• 机器学习实战 | SKLearn最全使用指南

线性回归建模

def linear_reg(df, test_size=0.3, random_state=42):
    '''
    构建模型并回来评价成果
    输入: 数据dataframe 
    输出: 特征重要度与评价准则（RMSE与R-squared）
    '''
    X = df.drop(columns=['price'])
    y = df[['price']]
    X_columns = X.columns
    # 切分练习集与测验集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = test_size, random_state=random_state)
    # 线性回归分类器    
    clf = LinearRegression()
    # 候选参数列表      
    parameters = {
                  'n_jobs': [1, 2, 5, 10, 100],
                  'fit_intercept': [True, False]
                  }
    # 网格查找交叉验证调参    
    cv = GridSearchCV(estimator=clf, param_grid=parameters, cv=3, verbose=3)  
    cv.fit(X_train,y_train)
    # 测验集预估
    pred = cv.predict(X_test)
    # 模型评价
    r2 = r2_score(y_test, pred)
    mse = mean_squared_error(y_test, pred)
    rmse = mse **.5
    # 最佳参数
    best_par = cv.best_params_
    coefficients = cv.best_estimator_.coef_
    #特征重要度
    importance = np.abs(coefficients)
    feature_importance = pd.DataFrame(importance, columns=X_columns).T
    #feature_importance = feature_importance.T
    feature_importance.columns = ['importance']
    feature_importance = feature_importance.sort_values('importance', ascending=False)
    print("The model performance for testing set")
    print("--------------------------------------")
    print('RMSE is {}'.format(rmse))
    print('R2 score is {}'.format(r2))
    print("\n")
    return feature_importance, rmse, r2
 linear_feat_importance, linear_rmse, linear_r2 = linear_reg(model_df)

随机森林建模

# 随机森林建模
def random_forest(df):
    '''
    构建模型并回来评价成果
    输入: 数据dataframe 
    输出: 特征重要度与评价准则（RMSE与R-squared）
    '''
    X = df.drop(['price'], axis=1)
    X_columns = X.columns
    y = df['price']
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
    # 随机森林模型        
    clf = RandomForestRegressor()
    # 候选参数
    parameters = {
                'n_estimators': [50, 100, 200, 300, 400],
                'max_depth': [2, 3, 4, 5],
                 'max_depth': [80, 90, 100]
                     }
    # 网格查找交叉验证调参
    cv = GridSearchCV(estimator=clf, param_grid=parameters, cv=5, verbose=3)
    model = cv
    model.fit(X_train, y_train)
    # 测验集预估
    pred = model.predict(X_test)
    # 模型评价
    mse = mean_squared_error(y_test, pred)
    rmse = mse**.5
    r2 = r2_score(y_test, pred)
    # 最佳超参数
    best_par = model.best_params_
    # 特征重要度
    r = permutation_importance(model, X_test, y_test,
                           n_repeats=10,
                           random_state=0)
    perm = pd.DataFrame(columns=['AVG_Importance'], index=[i for i in X_train.columns])
    perm['AVG_Importance'] = r.importances_mean
    perm = perm.sort_values(by='AVG_Importance', ascending=False);
    return rmse, r2, best_par, perm
# 运转建模
r_forest_rmse, r_forest_r2, r_fores_best_params, r_forest_importance = random_forest(model_df)

运转成果如下

Fitting 5 folds for each of 15 candidates, totalling 75 fits
[CV 1/5] END ..................max_depth=80, n_estimators=50; total time=   2.4s
[CV 2/5] END ..................max_depth=80, n_estimators=50; total time=   1.9s
[CV 3/5] END ..................max_depth=80, n_estimators=50; total time=   1.9s
[CV 4/5] END ..................max_depth=80, n_estimators=50; total time=   1.9s
[CV 5/5] END ..................max_depth=80, n_estimators=50; total time=   1.9s
[CV 1/5] END .................max_depth=80, n_estimators=100; total time=   3.8s
[CV 2/5] END .................max_depth=80, n_estimators=100; total time=   3.8s
[CV 3/5] END .................max_depth=80, n_estimators=100; total time=   3.9s
[CV 4/5] END .................max_depth=80, n_estimators=100; total time=   3.8s
[CV 5/5] END .................max_depth=80, n_estimators=100; total time=   3.8s
[CV 1/5] END .................max_depth=80, n_estimators=200; total time=   7.5s
[CV 2/5] END .................max_depth=80, n_estimators=200; total time=   7.7s
[CV 3/5] END .................max_depth=80, n_estimators=200; total time=   7.7s
[CV 4/5] END .................max_depth=80, n_estimators=200; total time=   7.6s
[CV 5/5] END .................max_depth=80, n_estimators=200; total time=   7.6s
[CV 1/5] END .................max_depth=80, n_estimators=300; total time=  11.3s
[CV 2/5] END .................max_depth=80, n_estimators=300; total time=  11.4s
[CV 3/5] END .................max_depth=80, n_estimators=300; total time=  11.7s
[CV 4/5] END .................max_depth=80, n_estimators=300; total time=  11.4s
[CV 5/5] END .................max_depth=80, n_estimators=300; total time=  11.4s
[CV 1/5] END .................max_depth=80, n_estimators=400; total time=  15.1s
[CV 2/5] END .................max_depth=80, n_estimators=400; total time=  16.4s
[CV 3/5] END .................max_depth=80, n_estimators=400; total time=  15.6s
[CV 4/5] END .................max_depth=80, n_estimators=400; total time=  15.2s
[CV 5/5] END .................max_depth=80, n_estimators=400; total time=  15.6s
[CV 1/5] END ..................max_depth=90, n_estimators=50; total time=   1.9s
[CV 2/5] END ..................max_depth=90, n_estimators=50; total time=   1.9s
[CV 3/5] END ..................max_depth=90, n_estimators=50; total time=   2.0s
[CV 4/5] END ..................max_depth=90, n_estimators=50; total time=   2.0s
[CV 5/5] END ..................max_depth=90, n_estimators=50; total time=   2.0s
[CV 1/5] END .................max_depth=90, n_estimators=100; total time=   3.9s
[CV 2/5] END .................max_depth=90, n_estimators=100; total time=   3.9s
[CV 3/5] END .................max_depth=90, n_estimators=100; total time=   4.0s
[CV 4/5] END .................max_depth=90, n_estimators=100; total time=   3.9s
[CV 5/5] END .................max_depth=90, n_estimators=100; total time=   3.9s
[CV 1/5] END .................max_depth=90, n_estimators=200; total time=   8.7s
[CV 2/5] END .................max_depth=90, n_estimators=200; total time=   8.1s
[CV 3/5] END .................max_depth=90, n_estimators=200; total time=   8.1s
[CV 4/5] END .................max_depth=90, n_estimators=200; total time=   7.7s
[CV 5/5] END .................max_depth=90, n_estimators=200; total time=   8.0s
[CV 1/5] END .................max_depth=90, n_estimators=300; total time=  11.6s
[CV 2/5] END .................max_depth=90, n_estimators=300; total time=  11.8s
[CV 3/5] END .................max_depth=90, n_estimators=300; total time=  12.2s
[CV 4/5] END .................max_depth=90, n_estimators=300; total time=  12.0s
[CV 5/5] END .................max_depth=90, n_estimators=300; total time=  13.2s
[CV 1/5] END .................max_depth=90, n_estimators=400; total time=  15.6s
[CV 2/5] END .................max_depth=90, n_estimators=400; total time=  15.9s
[CV 3/5] END .................max_depth=90, n_estimators=400; total time=  16.1s
[CV 4/5] END .................max_depth=90, n_estimators=400; total time=  15.7s
[CV 5/5] END .................max_depth=90, n_estimators=400; total time=  15.8s
[CV 1/5] END .................max_depth=100, n_estimators=50; total time=   1.9s
[CV 2/5] END .................max_depth=100, n_estimators=50; total time=   2.0s
[CV 3/5] END .................max_depth=100, n_estimators=50; total time=   2.0s
[CV 4/5] END .................max_depth=100, n_estimators=50; total time=   2.0s
[CV 5/5] END .................max_depth=100, n_estimators=50; total time=   2.0s
[CV 1/5] END ................max_depth=100, n_estimators=100; total time=   4.0s
[CV 2/5] END ................max_depth=100, n_estimators=100; total time=   4.0s
[CV 3/5] END ................max_depth=100, n_estimators=100; total time=   4.1s
[CV 4/5] END ................max_depth=100, n_estimators=100; total time=   4.0s
[CV 5/5] END ................max_depth=100, n_estimators=100; total time=   4.0s
[CV 1/5] END ................max_depth=100, n_estimators=200; total time=   7.8s
[CV 2/5] END ................max_depth=100, n_estimators=200; total time=   7.9s
[CV 3/5] END ................max_depth=100, n_estimators=200; total time=   8.1s
[CV 4/5] END ................max_depth=100, n_estimators=200; total time=   7.9s
[CV 5/5] END ................max_depth=100, n_estimators=200; total time=   7.8s
[CV 1/5] END ................max_depth=100, n_estimators=300; total time=  11.8s
[CV 2/5] END ................max_depth=100, n_estimators=300; total time=  12.0s
[CV 3/5] END ................max_depth=100, n_estimators=300; total time=  12.8s
[CV 4/5] END ................max_depth=100, n_estimators=300; total time=  11.4s
[CV 5/5] END ................max_depth=100, n_estimators=300; total time=  11.5s
[CV 1/5] END ................max_depth=100, n_estimators=400; total time=  15.1s
[CV 2/5] END ................max_depth=100, n_estimators=400; total time=  15.3s
[CV 3/5] END ................max_depth=100, n_estimators=400; total time=  15.6s
[CV 4/5] END ................max_depth=100, n_estimators=400; total time=  15.3s
[CV 5/5] END ................max_depth=100, n_estimators=400; total time=  15.3s

随机森林最终的成果如下

r_forest_rmse, r_forest_r2
# (218.7941962807868, 0.4208644494689676)

GBDT建模

def GBDT_model(df):
    '''
    构建模型并回来评价成果
    输入: 数据dataframe 
    输出: 特征重要度与评价准则（RMSE与R-squared）
    '''
    X = df.drop(['price'], axis=1)
    Y = df['price']
    X_columns = X.columns
    X_train, X_test, y_train, y_test = train_test_split(X, Y, random_state=42)
    clf = GradientBoostingRegressor()
    parameters = {
                'learning_rate': [0.1, 0.5, 1],
                'min_samples_leaf': [10, 20, 40 , 60]
                     }
    cv = GridSearchCV(estimator=clf, param_grid=parameters, cv=5, verbose=3)
    model = cv
    model.fit(X_train, y_train)
    pred = model.predict(X_test)
    r2 = r2_score(y_test, pred)
    mse = mean_squared_error(y_test, pred)
    rmse = mse**.5
    coefficients = model.best_estimator_.feature_importances_
    importance = np.abs(coefficients)
    feature_importance = pd.DataFrame(importance, index= X_columns,
                                      columns=['importance']).sort_values('importance', ascending=False)[:10]
    return r2, mse, rmse, feature_importance
GBDT_r2, GBDT_mse, GBDT_rmse, GBDT_feature_importance = GBDT_model(model_df)
GBDT_r2, GBDT_rmse
# (0.46352992147034244, 210.58063809645563)

成果&剖析

现在随机森林的体现最安稳，而集成模型GradientBoostingRegression 的R很高，RMSE 值也偏高，Boosting的模型受异常值影响很大，这可能是因为数据会集的异常值引起的。

下面咱们来做一下优化，删去数据会集的异常值，看看是否能够进步模型性能。

效果优化

异常值在早些时候就已经被识别出来了，咱们依据统计的办法来对其进行处理。

# 依据统计办法计算价格鸿沟
q3, q1 = np.percentile(model_df['price'], [75, 25])
iqr = q3 - q1
q3 + (iqr*1.5)
# 得到成果245.0

咱们把任何高于 245 美元的值都视为异常值并删去。

new_model_df = model_df[model_df['price']<245]
# 绘制此刻的价格散布
sb.histplot(new_model_df['price'])
plt.title('New price distribution in the dataset')

重新运转这些算法

linear_feat_importance, linear_rmse, linear_r2 = linear_reg(new_model_df)
r_forest_rmse, r_forest_r2, r_fores_best_params, r_forest_importance = random_forest(new_model_df)
GBDT_r2, GBDT_mse, GBDT_rmse, GBDT_feature_importance = GBDTboost(new_model_df)

得到的新成果如下

归因剖析

那么，依据咱们的模型来剖析，在猜测大曼彻斯特区域 Airbnb 房源的价格时，哪些要素更重要？

r_feature_importance = r_forest_importance.reset_index()
r_feature_importance = r_feature_importance.rename(columns={'index':'Feature'})
r_feature_importance[:15]

# 绘制最重要的15个要素
r_feature_importance[:15].sort_values(by='AVG_Importance').plot(kind='barh', x='Feature', y='AVG_Importance', figsize=(8,6));
plt.title('Top 15 Most Imporatant Features');

咱们的模型给出的重要要素包含：

• accommodates ：能够容纳的最大人数。
• bathrooms_new ：非共用或非私家澡堂的数量。
• minimum_nights ：房源可预订的最少晚数。
• number_of_reviews ：总谈论数。
• Free street parking ：免费路旁边停车位的存在是影响模型定价的最重要的便利设备。
• Gym ：健身房设备。

总结&展望

咱们经过对Airbnb的数据进行深化发掘剖析和建模，完结关于民宿租借场景下的AI理解与建模预估。咱们后续还有一些能够做的工作，提高模型的体现，完结更精准地预估，比如：

• 更完善的特征工程，结合事务场景构建更有效的事务特征。
• 运用xgboost、lightgbm、catboost等模型。
• 运用贝叶斯调参等办法对超参数做更深化的调优。
• 深度学习与神经网络的办法引入。

参阅资料

• 数据科学东西库速查表 | Pandas 速查表：www.showmeai.tech/article-det…
• 图解数据剖析：从入门到通晓系列教程：www.showmeai.tech/tutorials/3…
• 机器学习实战：手把手教你玩转机器学习系列：www.showmeai.tech/tutorials/4…
• 机器学习实战 | SKLearn入门与简单使用事例：www.showmeai.tech/article-det…
• 机器学习实战 | SKLearn最全使用指南：www.showmeai.tech/article-det…
• 机器学习实战 | 机器学习特征工程最全解读：www.showmeai.tech/article-det…