标签：obj 测试 准备 dataset 评测 gre forest inf pes
(本文所使用的Python库和版本号: Python 3.5, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )
共享单车是最近几年才发展起来的一种便民交通工具，基本上是我等屌丝上班，下班，相亲，泡妞必备神器。本项目拟使用随机森林回归器构建共享单车需求预测模型，从而查看各种不同的条件下，共享单车的需求量。
本次使用的数据集来源于加利福尼亚大学欧文分校（UCI）大学的公开数据集：https://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset，关于本次数据集的各种信息可以参考该网站，同时也可以直接从该网站下载和使用数据集。本次共享单车数据集包含有两个文件，一个是按天来统计的共享单车使用量数据，另一个是按照小时数来统计的使用量。
说句题外话，这个共享单车数据集是在2011年至2012年间收集的，此处的共享单车是采用固定桩形式的单车，类似于中国的永安行，并不是我们目前所看到的满大街的小黄车，小蓝车，摩拜之类。
下载后，将数据集解压到D:\PyProjects\DataSet\SharingBikes中。本数据集总共有17389个样本，每个样本有16列，其中，前两列是样本序号和日期，可以不用考虑，最后三列数据是不同类型的输出结果，最后一列是第十四列和第十五列的和，因此本模型中不考虑第十四列和第十五列。
本数据集16列对应的信息分别为：
如下为分析数据集的主要代码，此处我没有深入研究数据集各个特征列之间的关系。
# 首先分析数据集
dataset_path=‘D:\PyProjects\DataSet\SharingBikes/day.csv‘ # 首先只分析day 数据
# 首先加载数据集
raw_df=pd.read_csv(dataset_path,index_col=0)
# print(raw_df.shape) # (731, 15)
# print(raw_df.head()) # 查看是否正确加载
# print(raw_df.columns)
# 删除不需要的列，第1列，第12,13列
df=raw_df.drop([‘dteday‘,‘casual‘,‘registered‘],axis=1)
# print(df.shape) # (731, 12)
# print(df.head()) # 查看没有问题
print(df.info()) # 没有缺失值 第一列为object,需要进行转换
# print(df.columns)
# 分隔数据集
dataset=df.as_matrix() # 将pandas转为np.ndarray
# 将整个数据集分隔成train set和test set
from sklearn.model_selection import train_test_split
train_set,test_set=train_test_split(dataset,test_size=0.1,random_state=37)
# print(train_set.shape) # (657, 12)
# print(test_set.shape) # (74, 12)
# print(dataset[:3])-------------------------------------输---------出--------------------------------
<class ‘pandas.core.frame.DataFrame‘>
Int64Index: 731 entries, 1 to 731
Data columns (total 12 columns):
season 731 non-null int64
yr 731 non-null int64
mnth 731 non-null int64
holiday 731 non-null int64
weekday 731 non-null int64
workingday 731 non-null int64
weathersit 731 non-null int64
temp 731 non-null float64
atemp 731 non-null float64
hum 731 non-null float64
windspeed 731 non-null float64
cnt 731 non-null int64
dtypes: float64(4), int64(8)
memory usage: 74.2 KB
None
--------------------------------------------完-------------------------------------
########################小**********结###############################
1，从打印的结果可以看出，这个数据集中没有缺失值，且每一列的数据特征都是一致的，故而不需要再额外做这些处理。
2，数据集中season， yr等有7列是int64类型，代表这些数据需要重新转换为独热编码格式，比如对于season中，1=春，2=夏，3=秋，4=冬，需要改成独热编码形成的稀疏矩阵。
#################################################################
在第一次尝试时，我没有对原始数据进行任何的特征分析，也没有对数据集进行修改，直接使用随机森林回归模型进行拟合，看看结果怎么样。
# 其次，构建随机森林回归器模型
from sklearn.ensemble import RandomForestRegressor
rf_regressor=RandomForestRegressor()
# rf_regressor=RandomForestRegressor(n_estimators=1000,max_depth=10,min_samples_split=0.5)
rf_regressor.fit(train_set[:,:-1],train_set[:,-1]) # 训练模型
# 使用测试集来评价该回归模型
predict_test_y=rf_regressor.predict(test_set[:,:-1])
import sklearn.metrics as metrics
print(‘随机森林回归模型的评测结果----->>>‘)
print(‘均方误差MSE：{}‘.format(
round(metrics.mean_squared_error(predict_test_y,test_set[:,-1]),2)))
print(‘解释方差分：{}‘.format(
round(metrics.explained_variance_score(predict_test_y,test_set[:,-1]),2)))
print(‘R平方得分：{}‘.format(
round(metrics.r2_score(predict_test_y,test_set[:,-1]),2)))-------------------------------------输---------出--------------------------------
随机森林回归模型的评测结果----->>>
均方误差MSE：291769.31
解释方差分：0.92
R平方得分：0.92
--------------------------------------------完-------------------------------------
然后采用（【火炉炼AI】机器学习006-用决策树回归器构建房价评估模型）的方式绘制相对重要性直方图，结果如下：
########################小**********结###############################
1，在没有对数据集进行任何处理的情况下，采用默认的随机森林回归器得到的模型在测试集上的MSE非常大，解释方差分和R2都是0.93，表明模拟的还可以。
2，从相对重要性图中可以看出，温度对共享单车的使用影响最大，这个可以理解，比如冬天太冷，夏天太热时，骑小黄车的人就显著减少。但图中显示年份（yr）是第二个重要因素，这个估计是因为年份只有2011和2012两年所致，要想得到更加可信的结果，还需要更多年份的数据。
#################################################################
注：本部分代码已经全部上传到（我的github）上，欢迎下载。
参考资料:
1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译
【火炉炼AI】机器学习007-用随机森林构建共享单车需求预测模型
标签：obj 测试 准备 dataset 评测 gre forest inf pes
原文地址：https://www.cnblogs.com/RayDean/p/9764648.html
