【机器学习】kaggle实战:6大回归模型预测航班票价
共 8853字,需浏览 18分钟
·
2022-03-15 15:50
公众号:尤而小屋
作者:Peter
编辑:Peter
今天给大家带来一篇新的kaggle案例文章:基于6大回归模型预测航空公司机票的价格。
这篇文章涉及到的知识点会比较多,关键是数据预处理和特征工程部分:
原notebook的学习地址为:
https://www.kaggle.com/anshigupta01/flight-price-prediction/notebook
kaggle文章
Plotly+Seaborn+Folium可视化探索爱彼迎租房数据
Plotly+Pandas+Sklearn:实现用户聚类分群!
导入库
数据基本信息
先把数据导进来:
df = pd.read_excel("data_air.xlsx")
df.head()
查看数据的基本信息,包含:数据形状、字段类型等
# 字段类型
df.dtypes
Airline object
Date_of_Journey object
Source object
Destination object
Route object
Dep_Time object
Arrival_Time object
Duration object
Total_Stops object
Additional_Info object
Price int64
dtype: object
# 全部字段
columns = df.columns.tolist()
columns
['Airline',
'Date_of_Journey',
'Source',
'Destination',
'Route',
'Dep_Time',
'Arrival_Time',
'Duration',
'Total_Stops',
'Additional_Info',
'Price']
具体字段的中文含义:
Airline:不同类型的航空公司 Date_of_Journey:旅客的旅行开始日期 Source:旅客出发地 Destination:旅客目的地 Route:航班路线 Dep_Time:出发时间 Arrival_Time:抵达时间 Duration:持续时间;指的是航班完成从出发到目的地的旅程的整个时间 Total_Stops:总共停留地 Additional_Info:其他信息,比如:食物、设备信息等 Price:整个旅程的航班票价
希望可以理解中文含义,帮助进行数据分析~
数值型字段的描述统计信息,这里主要是针对Price字段:
缺失值处理
通过上面的缺失值检查,我们看到有两个字段是存在缺失值的,进行可视化。
missingno是一个可视化缺失值的库,方便使用,我们可以用pip install missingno
即可下载该库
import missingno as mso
mso.bar(df,color="blue")
plt.show()
缺失值删除
正常的字段是10683条,其中两个字段是10682条;缺失值的占比很小,考虑直接删除的数据
时间相关字段处理
时间处理
通过pd.to_datetime()直接将字符型的数据转成时间类型的数据 通过dt.day或者df.month 直接获取天或者月的信息
# 将字段类型转成时间相关类型
def change_to_datetime(col):
df[col] = pd.to_datetime(df[col])
对3个字段实施转换:
# 3个字段的转换
for col in ['Date_of_Journey','Dep_Time', 'Arrival_Time']:
change_to_datetime(col)
查看转换之后的字段类型:
df.dtypes
Airline object
Date_of_Journey datetime64[ns]
Source object
Destination object
Route object
Dep_Time datetime64[ns]
Arrival_Time datetime64[ns]
Duration object
Total_Stops object
Additional_Info object
Price int64
dtype: object
提取天和月
乘客旅程日期中(Date_of_Journey)单独提取天和月,作为两个字段
df["day"] = df["Date_of_Journey"].dt.day
df["month"] = df["Date_of_Journey"].dt.month
df.head()
最终生成了两个新的字段:
# 删除字段
df.drop('Date_of_Journey', axis=1, inplace=True)
起飞时间和抵达时间处理
主要提取两个时间中的“小时”和“分钟”信息;同时删除原字段:
分别调用函数来提取信息:
extract_hour(df,'Dep_Time')
extract_minute(df,'Dep_Time')
drop_col(df,'Dep_Time') # 删除原字段
extract_hour(df,'Arrival_Time')
extract_minute(df,'Arrival_Time')
drop_col(df,'Arrival_Time')
df.head()
航班持续时间duration
1、将持续时间规范化处理,统一变成0h 1m
# # 原文方法
# duration=list(df['Duration'])
# for i in range(len(duration)):
# if len(duration[i].split(' '))==2:
# pass
# else:
# if 'h' in duration[i]:
# duration[i]=duration[i] + ' 0m'
# else:
# duration[i]='0h '+ duration[i]
下面是个人版本写法:
2、从Duration字段中提取小时和分钟:
df.drop("Duration",inplace=True,axis=1)
3、字段类型转化:查看dur_hour和dur_minute的字段类型变化
字段编码
字段类型区分
主要是区分object和非object类型的字段信息。
1、针对字符型的字段
column = [column for column in df.columns if df[column].dtype == "object"]
column
['Airline', 'Source', 'Destination', 'Route', 'Total_Stops', 'Additional_Info']
2、数值型(连续型)字段
continuous_col = [column for column in df.columns if df[column].dtype != "object"]
continuous_col
['Price',
'day',
'month',
'Dep_Time_hour',
'Dep_Time_minute',
'Arrival_Time_hour',
'Arrival_Time_minute',
'dur_hour',
'dur_minute']
2种编码技术
Nominal data -- Data that are not in any order -->one hot encoding
ordinal data -- Data are in order --> labelEncoder
标称数据:没有任何顺序,使用独热编码oneot encoding 有序数据:存在一定的顺序,使用类型编码labelEncoder
生成标称型字段组成的数据
不同字段编码处理
航空公司-Airline
1、不同航空公司的数量统计:
2、查看航空公司与价格关系
plt.figure(figsize=(15,8))
sns.boxplot(x="Airline",
y="Price",
data=df.sort_values('Price',ascending=False)
)
plt.show()
3、2个明显的结论
从上面的图形中看出来:
Jet Airways Business公司的机票价格是最高的 其他公司的价格中位数是比较接近的
4、实现独热编码
由于航空公司属性是一个标称数据的字段,我们进行独热编码,通过哑变量的方式来实现:
停留地-Total_Stops
旅行期间的总共停留地,实施上面的同样操作:
1、和价格的关系
plt.figure(figsize=(15,8))
sns.boxplot(x='Total_Stops',
y='Price',
data=df.sort_values('Price',ascending=False))
plt.show()
2、实施硬编码;区别于航空公司的独热编码
出发地source
出发地和价格的关系:
plt.figure(figsize=(18,12))
sns.catplot(x='Source',
y='Price',
data=df.sort_values('Price',ascending=False),kind='boxen')
plt.show()
独热编码的过程:
目的地-destination
目的地的数量统计:
目的地和价格的关系:
独热编码的实现:
路线Route
1、不同路线的数量统计:
2、路线名称提取
从上面的结果中看出来,最长的路线中有5个地名,我们一次提取。
没有出现的数据则用NaN来表示:
categorical['Route1']=categorical['Route'].str.split('→').str[0]
categorical['Route2']=categorical['Route'].str.split('→').str[1]
categorical['Route3']=categorical['Route'].str.split('→').str[2]
categorical['Route4']=categorical['Route'].str.split('→').str[3]
categorical['Route5']=categorical['Route'].str.split('→').str[4]
categorical.head()
3、缺失值字段
for i in ['Route3', 'Route4', 'Route5']:
categorical[i].fillna('None',inplace=True)
4、类型编码LabelEncoder
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
for i in ['Route1', 'Route2', 'Route3', 'Route4', 'Route5']:
categorical[i]=le.fit_transform(categorical[i])
categorical.head()
抵达时间/小时-Arrival_Time_hour
抵达目的地时间和价格的关系:
df.plot.hexbin(x='Arrival_Time_hour',
y='Price',
gridsize=15)
plt.show()
建模数据
删除无效字段
生成的全部字段信息:
categorical.columns
Index(['Airline', 'Source', 'Destination', 'Total_Stops', 'Additional_Info',
'Route1', 'Route2', 'Route3', 'Route4', 'Route5'],
dtype='object')
将原始的无效字段直接删除:
drop_col(categorical,'Airline')
drop_col(categorical,'Source')
drop_col(categorical,'Destination')
drop_col(categorical,'Additional_Info')
最终数据
将多个DataFrame进行拼接,组成最终的建模,其中Price进行最终的输出特征
final_df=pd.concat([categorical,Airline,source,destination,df[continuous_col]],axis=1)
final_df.head()
离群点检测
对上面生成的最终数据进行离群点检测:
对离群点填充均值,查看填充后的效果:
final_df['Price']=np.where(final_df['Price']>=40000, # 替换部分
final_df['Price'].median(), # 替换数据
final_df['Price']) # 替换字段
plot(final_df, "Price")
数据切分
X=final_df.drop('Price',axis=1)
y=final_df['Price']
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,
test_size=0.20,
random_state=123)
特征选择
本文中特征选择使用的是 mutual_info_classif 库:
from sklearn.feature_selection import mutual_info_classif
imp = pd.DataFrame(mutual_info_classif(X,y),
index=X.columns)
imp.columns=['importance']
imp.sort_values(by='importance',ascending=False)
评价指标
本次建模中引入3个评价指标:
r2_score(重点关注) mean_absolute_error mean_squared_error
from sklearn.metrics import r2_score,mean_absolute_error,mean_squared_error
def predict(ml_model):
print("Model is: ", ml_model)
model = ml_model.fit(X_train, y_train)
print("Training score: ", model.score(X_train,y_train))
predictions = model.predict(X_test)
print("Predictions: ", predictions)
print('-----------------')
r2score = r2_score(y_test, predictions)
print("r2 score is: ", r2score)
print('MAE:{}', mean_absolute_error(y_test,predictions))
print('MSE:{}', mean_squared_error(y_test,predictions))
print('RMSE:{}', np.sqrt(mean_squared_error(y_test,predictions)))
# 真实值和预测值的差值
sns.distplot(y_test - predictions)
建模
导入多种模型:
# 逻辑回归
from sklearn.linear_model import LogisticRegression
# k近邻回归
from sklearn.neighbors import KNeighborsRegressor
# 决策树回归
from sklearn.tree import DecisionTreeRegressor
# 梯度提升回归,随机森林回归
from sklearn.ensemble import GradientBoostingRegressor,RandomForestRegressor
随机森林回归树-RandomForestRegressor
逻辑回归-LogisticRegression
K近邻回归-KNeighborsRegressor
决策树回归DecisionTreeRegressor
支持向量机回归-SVR
梯度提升回归-GradientBoostingRegressor
模型调优-Hypertunning the model
调优寻参
# 采用随机搜索调优
from sklearn.model_selection import RandomizedSearchCV
# 待调优的参数
random_grid = {
'n_estimators' : [100, 120, 150, 180, 200,220],
'max_features':['auto','sqrt'],
'max_depth':[5,10,15,20],
}
# 建模拟合
rf=RandomForestRegressor()
rf_random=RandomizedSearchCV(
estimator=rf,
param_distributions=random_grid,
cv=3,
verbose=2,
n_jobs=-1)
rf_random.fit(X_train,y_train)
多次运行调优后找到最佳的参数组合:
调优后结果
通过r2_score指标发现:进行参数调优后,模型的效果得到提升~
补充:如何理解回归模型的r2_score指标
假设我们用表示数据真实的观测值,用表示真实观测值的平均值,用表示通过模型得到的预测值,则:
回归平方和:SSR
SSR可以表示为;
即估计值与平均值的误差,反映自变量与因变量之间的相关程度的偏差平方和
残差平方和:SSE
SSE可以表示为:
即估计值与真实值的误差,反映的是整个模型拟合程度
总离差平方和:SST
R2_score计算公式
R^2 score,即决定系数,反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式:
也可以写成:
进一步可以转成:
此时分子就变成了我们常用的评价指标均方误差MSE,分母就变成了方差Var。r2_score在0-1之间,越接近1越好。
两种常见的求解r2的方式:
# 1、利用python间接求解
from sklearn.metrics import mean_squared_error
1 - mean_squared_error(y_test, y_pred)/ np.var(y_test)
# 2、sklearn直接求解
from sklearn.metrics import r2_score
y_test = [1, 2, 3]
y_pred = [1.3, 2.1, 3.5]
r2_score(y_test,y_pred)
往期精彩回顾
适合初学者入门人工智能的路线及资料下载 (图文+视频)机器学习入门系列下载 中国大学慕课《机器学习》(黄海广主讲) 机器学习及深度学习笔记等资料打印 《统计学习方法》的代码复现专辑 AI基础下载 机器学习交流qq群955171419,加入微信群请扫码: