数据说明
数据来源：http://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset
数据说明：仅使用day.csv文件
字段说明：Instant记录号
Dteday：日期
Season：季节
1=春天 2=夏天 3=秋天 4=冬天
yr：年份(0: 2011, 1:2012)
mnth：月份( 1 to 12)
holiday：是否是节假日
weekday：星期中的哪天，取值为 0～6
workingday：是否工作日 1=工作日 （非周末和节假日） 0=周末
weathersit：天气 1：晴天，多云 2：雾天，阴天 3：小雪，小雨 4：大雨，大雪，大雾
temp：气温摄氏度
atemp：体感温度
hum：湿度
windspeed：风速
cnt：给定日期（天）时间（每小时）总租车人数，响应变量 y
方式：用2011年的数据预测2012年的数据
数据导入与工具包导入
1 import numpy as np 2 import pandas as pd 3 import seaborn as sns 4 import matplotlib.pyplot as plt 5 from sklearn.metrics import r2_score 6 %matplotlib inline 7 8 data = pd.read_csv("Desktop/Bike-Sharing-Dataset/day.csv") 9 data.head()
特征casual,registered与cnt都是要预测的y，但因题目要求，所以去掉casual,registered两个特征。
特征中，instant为序号，dteday为日期，无法对cnt造成影响，所以也删掉这两个特征。
data = data.drop([‘instant‘,‘dteday‘,‘casual‘,‘registered‘],axis=1) data.head()
data.info()
数据中没有缺失值，因此不需要填补缺失值这一步。结合对数据前五行的观察，发现season,yr,mnth,holiday,weekday,workingday,weatherist均为分类特征，而其他包括目标cnt在内的其他特征均为数值型特征。
data.describe()
对于分类特征，统计数据的意义不是特别大，主要看数值型数据。 通过观察可以得出，这几个数值型特征的均值与中位数离的比较近，说明数据不会出现一头重一头轻的情况。cnt的方差很大，而其他特征方差很小，原因是本身 这几个特征的度量单位就很小，最大值也都不超过1，而cnt的值普遍很大。因此据此大胆设想，对cnt做数据处理时可以采用标准化，对其他特征采用归一化。
接下来主要观察单个变量的分布
plt.scatter(range(data.shape[0]),data.cnt.values)
这是目标cnt的散点图分布，明显可以看到在[4000,5000]和[6000,8000]的数据很多，说实话，不是特别符合高斯分布的规律，原因暂时存疑。
sns.distplot(data.cnt,bins=50)
大体形状还是符合高斯分布的，但在2000和8000左右都各有一个突增点。
结合散点图，可以看到0附近和8200的地方有一些离群点，数据处理时可以考虑去掉。
接下来观察数值型特征的分布。
常识判断，温度temp和体感温度atemp的关联性应该是比较强的，因此将两个特征的散点图一起展示：
plt.scatter(range(data.shape[0]),data.temp.values)
plt.scatter(range(data.shape[0]),data.atemp.values)
果然，两个特征的分布形状大致相同。其实在计算相关性之前，就可以判定两个特征是冗余的了。
plt.scatter(range(data.shape[0]),data.hum.values)
hum的分布是相对集中且均匀的，有一些离群点需要处理，但在散点图上看不出明显的分布，所以看一看它的直方图。
sns.distplot(data.hum,bins=50)
形状有点像高斯分布，但高峰值拉的比较长，和cnt的分布不是特别像
sns.distplot(data.windspeed,bins=50)
形状略微有些左倾，但大体也是符合高斯分布的
按照步骤，接下来应该要观察分类数据的，但突然发现观察季节和月份的分布是很无脑的，因为一年四季十二个月，难道会因为骑车人数变化而变化？于是果断放弃。
突然发现观察季节和月份的分布是很无脑的，因为一年四季十二个月，难道会因为骑车人数变化而变化？实际上我认为，对于分类特征，尤其是常识可以判断的东西，关注点应该是它们和目标y之间的关联。所以下一步，直接对特征及目标y之间的相关性做计算与可视化。
data_corr = data.corr().abs() plt.subplots(figsize=(12,9)) sns.heatmap(data_corr,annot=True) sns.heatmap(data_corr,mask=data_corr<1,cbar=False)
单从cnt的角度看，yr,temp,atemp与cnt的相关性是比较高的；从特征的角度看，temp和atemp的相关性已经达到了0.99，和之前的估计一样，是可以删去一个特征的；season和mnth的相关性也比较强，但只有0.83，还没有到直接可以删的地步，等到以后学到pca，或许可以对它进行处理。
sns.pairplot(data,x_vars=‘atemp‘,y_vars=‘cnt‘)
看起来还可以，但毕竟相关性也只有0.63，没法完全贴合线性关系。由于temp和atemp相关性太强，所以只展示一个。
sns.pairplot(data,x_vars=‘yr‘,y_vars=‘cnt‘)
这时候惊奇地发现，2012年地数据不管从分布广度还是数量来说都比2011要大的多，这也解释了为什么cnt的分布图中会有两个小波峰。即便如此，我还是决定先这样做下去，待会儿再考虑是否将数据分开做数据探索。
数据探索部分基本上完成了，接下来整理一下，实现数据清理代码就可以了
#直观上感受，体感温度比室外温度更能够影响用户的骑车意愿，所以去掉temp特征，保留atemp特征 data = data.drop(‘temp‘,axis=1) #去除cnt离群点 data = data[data.cnt<8000] data = data[data.cnt>50] #去除hum离群点 data = data[data.hum>0.3]
数据处理完了，接下来该按题目要求，分离测试数据和训练数据，以及x和y
train = data[data.yr==0].drop(‘yr‘,axis=1) test = data[data.yr==1].drop(‘yr‘,axis=1)
x_train = train.drop(‘cnt‘,axis=1)
x_test = test.drop(‘cnt‘,axis=1)
y_train = train[‘cnt‘]
y_test = test[‘cnt‘]
数据处理
按照上面的分析，要对特征做归一化，对cnt做标准化。这里对分类特征暂时不做特别处理，先把它们和数值型特征一起归一化。
#对特征做归一化 from sklearn.preprocessing import MinMaxScaler mms = MinMaxScaler() x_train = mms.fit_transform(x_train) x_test = mms.transform(x_test) #对cnt做标准化 from sklearn.preprocessing import StandardScaler ss = StandardScaler() y_train = ss.fit_transform(y_train.reshape(-1,1)) y_test = ss.transform(y_test.reshape(-1,1))
最小二乘线性回归
下面用最小二乘线性回归进行拟合
from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(x_train,y_train)
用模型预测训练集和测试集的y，并用r2_score评分
y_train_pred = lr.predict(x_train)
y_test_pred = lr.predict(x_test)
print("训练集r2_score评分：",r2_score(y_train,y_train_pred))
print("测试集r2_score评分：",r2_score(y_test,y_test_pred))
训练集r2_score评分： 0.7559148011319624 测试集r2_score评分： -0.6798040252290449
这个结果是令人惊讶的，经过分析，发现主要原因是2012年的cnt比2011年的cnt要大的多，显然的，有一些这份数据以外的因素导致cnt的增长，因此，无论如何努力，都无法使得测试集上的r2_score追上训练集上的r2_score。但是，r2_score为负的情况实在让人没有办法接受。有什么方法能够改进吗？我找到了一种不算很正规但我觉得应该没错的方法。
通过观察，发现在做数据标准化的时候，训练数据(尤其是y_test)使用训练数据的StandardScaler来处理的，换句话说，实际上y_test标准化处理时，用的均值和方差都是y_train的均值和方差。这显然和事实是不相符的。即便两者方差的误差是可以接受的，但均值的差距可不是一星半点，毕竟y_test有很大一部分聚集在8000附近。这样就明白了，在做标准化的时候，不能用训练集的标准化模型来处理测试集(仅限于测试集和训练集的误差太大的情况)。那不对y做标准化可以吗？我觉得也不太好。因为即使不做标准化，最后线性拟合的结果也是不好的，因为未知因素的影响实在太大了。经过斟酌，我想如果将测试数据与训练数据分开做标准化是不是会好一些呢？
数据处理与线性回归改进版
#对特征做归一化 from sklearn.preprocessing import MinMaxScaler mms = MinMaxScaler() x_train = mms.fit_transform(x_train) x_test = mms.transform(x_test) #对y_test和y_train分开做标准化 from sklearn.preprocessing import StandardScaler ss_train = StandardScaler() ss_test = StandardScaler() y_train = ss_train.fit_transform(y_train.reshape(-1,1)) y_test = ss_train.fit_transform(y_test.reshape(-1,1)) from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(x_train,y_train) y_train_pred = lr.predict(x_train) y_test_pred = lr.predict(x_test)
print("训练集r2_score评分：",r2_score(y_train,y_train_pred))
print("测试集r2_score评分：",r2_score(y_test,y_test_pred))
训练集r2_score评分： 0.7559148011319624 测试集r2_score评分： 0.6882682443144608
果然，结果变为正值了，虽然和训练集上的结果还是有差距，不过总还是迈出了一大步。
数据处理改进版——独热编码
其实训练集的结果也不算太好，于是我决定着手处理分类型特征。查来查去，发现好像独热编码用的比较多。大概的作用就是将分类型数值进行扩维，使得分类特征的数据都只用0和1来表示，这样就避免了分类数值较大的样本对结果的影响。比如season特征，原本有1,2,3,4，四个取值，经过独热编码，变成了[1,0,0,0]，[0,1,0,0]，[0,0,1,0]，[0,0,0,1]四种取值。
#分离出数值型数据，并对数值型数据做归一化 x_train_type = x_train.drop([‘hum‘,‘atemp‘,‘windspeed‘],axis=1) x_train_num = x_train[[‘hum‘,‘atemp‘,‘windspeed‘]] x_test_type = x_test.drop([‘hum‘,‘atemp‘,‘windspeed‘],axis=1) x_test_num = x_test[[‘hum‘,‘atemp‘,‘windspeed‘]] #对数值型数据做标准化 from sklearn.preprocessing import StandardScaler ss_x_train = StandardScaler() ss_x_test = StandardScaler() x_train_num = ss_x_train.fit_transform(x_train_num) x_test_num = ss_x_test.fit_transform(x_test_num) #对类别型特征做独热编码 from sklearn.preprocessing import OneHotEncoder enc_train = OneHotEncoder() enc_test = OneHotEncoder() x_train_type = enc_train.fit_transform(x_train_type).toarray() x_test_type = enc_test.fit_transform(x_test_type).toarray() #还原特征矩阵 x_train = np.concatenate((x_train_type,x_train_num),axis=1) x_test = np.concatenate((x_test_type,x_test_num),axis=1) #对cnt做标准化 from sklearn.preprocessing import StandardScaler ss_y_train = StandardScaler() ss_y_test = StandardScaler() y_train = ss_y_train.fit_transform(y_train.reshape(-1,1)) y_test = ss_y_test.fit_transform(y_test.reshape(-1,1)) from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(x_train,y_train) y_train_pred = lr.predict(x_train) y_test_pred = lr.predict(x_test) print("训练集r2_score评分：",r2_score(y_train,y_train_pred)) print("测试集r2_score评分：",r2_score(y_test,y_test_pred))
训练集r2_score评分： 0.8372356607708061 测试集r2_score评分： 0.6861106294392454
好吧，这次调优有点失败，但终归还是一种尝试，况且今后的分类特征也要用类似方法来处理，就算是提前熟悉一下吧
岭回归
from sklearn.linear_model import RidgeCV
alphas = [0.01,0.1,1,10]
lr = RidgeCV(alphas=alphas,store_cv_values=True)
lr.fit(x_train,y_train)
y_train_pred = lr.predict(x_train)
y_test_pred = lr.predict(x_test)
print("训练集r2_score评分：",r2_score(y_train,y_train_pred))
print("测试集r2_score评分：",r2_score(y_test,y_test_pred))
训练集r2_score评分： 0.8389856732863064
测试集r2_score评分： 0.6960917881076827
性能好了不少，测试集的评分也略有升高，说明正则项还是起到了一定的作用的。接下来看一看它的正则项是否能调优。
print("最佳正则参数为：",lr.alpha_) mse_mean = np.mean(lr.cv_values_,axis=0) plt.plot(np.log10(alphas),mse_mean.reshape(len(alphas),1))
接下来再用Lasso回归尝试一下
Lasso回归
#Lasso回归 from sklearn.linear_model import LassoCV alphas = [0.01,0.1,1,10,100] ls =LassoCV(alphas=alphas) ls.fit(x_train,y_train) y_train_pred = ls.predict(x_train) y_test_pred = ls.predict(x_test) print(r2_score(y_train,y_train_pred)) print(r2_score(y_test,y_test_pred))
0.8097799324474826
0.6968362860350117
在这个例子中，Lasso回归要略好于岭回归，但差距不大。Lasso回归参数调优与岭回归差距不大，此处略去过程。
结语
至此，第一次线性回归的尝试基本完成，有瑕疵或是有疑惑的地方今后修改，欢迎大佬们批评指正！
