【House Prices】基本思路

猜想之前

在考虑使用什么模型之前，我们先看评分标准和数据特点

Kaggle给的评测标准是用"均方根误差"，可以联想到，可能是一个线性回归问题。

看一下数据情况

从常识上考虑，这些数据基本都是跟房屋价格线性相关的，其中决定性的可能是房屋面积和装修好坏

猜想

我觉得地皮面积可能跟房价有关系

为了显示地皮面积和房价之间的关系，首先查看一下房价的整体特征

train_df['SalePrice'].describe() 

可以看出，所有房子价格都在80w以下

var  = 'LotArea'
#concat函数:将数据集中的某两列复制出来，并且进行连接
data = pd.concat([train_df['SalePrice'],train_df[var]], axis=1)
#scatter函数：画一个二维图
data.plot.scatter(x=var, y='SalePrice', ylim=(0, 800000))

线性关系有点模糊，看不太出来，再看看有没有更好的参数

调查分析

这种方法过于麻烦，要都是这么做的话太浪费时间了

这段代码可以直接看出来不同变量之间的相关性，就用不着我们自己去观察了

corrmat = train_df.corr()
f, ax = plt.subplots(figsize=(20, 9))
sns.heatmap(corrmat, vmax=0.8, square=True)

 上面的图太大了，还是需要自己筛选，有点麻烦。因此，可以用下面的代码直接筛选出10个跟SalePrice关系最高的项，并绘制相关系数图

k  = 10 # 关系矩阵中将显示10个特征
cols = corrmat.nlargest(k, 'SalePrice')['SalePrice'].index
cm = np.corrcoef(train_df[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, \
                 square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values, xticklabels=cols.values)

plt.show()

这里面，GarageArea和GarageCars是重复的变量，保留GarageCars我觉得就行。

到目前为止，基本思路是保留这十个相关性较高的变量，然后对这些变量相关的数据进行空值填充和重复变量删除，然后将拥有这些变量的数据集放入线性回归模型，进行训练