机器学习入门实战——基于knn的airbnb房租预测

数据读取

import pandas as pd
features=['accommodates','bathrooms','bedrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']
dc_listings=pd.read_csv('listings.csv')
dc_listings=dc_listings[features]
print(dc_listings.shape)
dc_listings.head()

运行结果：

K:候选对象个数，近邻数（如找3个和自己最近的样本）

 先使用可容纳旅客的数量（accommodates）做一个简单计算，统计与可容纳3个旅客相减的情况（当前要估计价格的可容纳旅客数为3个）

import numpy as np
our_acc_value=3#房间数为3个
dc_listings['distance']=np.abs(dc_listings.accommodates-our_acc_value)#为dc_listings新增distance列，用于保存当前房间数与3的差值
dc_listings.distance.value_counts().sort_index()#统计各差值的情况

 输出：

0.0      3370
1.0     17967
1.5         2
2.0      3865
3.0      1250
4.0       221
5.0       334
6.0        58
7.0       125
8.0        15
9.0        44
10.0        5
11.0       14
12.0        5
13.0       73
Name: distance, dtype: int64
原始数据统计过程中可能会存在一些规律，一般需要进行洗牌操作，打乱原有秩序（使用sample函数）

dc_listings=dc_listings.sample(frac=1,random_state=0)#洗牌 frac：抽取行的比例，1为100%  random_state:0表示不得取重复数据 1表示可以取重复数据
dc_listings=dc_listings.sort_values('distance')#统计差值（房间数-3）的情况 将dc_listings按照distance列排序 将和房间数3最近的放在最前面
dc_listings.price.head()#取前5条的价格 由于数据时乱的，所以id和price均无规律

输出结果：

2732     $129.00
14798    $249.00
27309    $170.00
20977    $169.00
11178    $100.00
Name: price, dtype: object

对价格进行类型转换，去掉$符号，转换成float,然后对前五个价格取均值，用前5个的均值来预测当前房价

dc_listings['price']=dc_listings.price.str.replace("\$|,",'').astype(float)
mean_price=dc_listings.price.iloc[:5].mean()
mean_price

输出：163.4

拿75%的数据作为训练集，25%的数据作为测试集来进行模型的评估，训练集和测试集不可重复。

dc_listings.drop('distance',axis=1)#删除distance列
train_df=dc_listings.copy().iloc[:20544]#27392*0.75行为训练集
test_df=dc_listings.copy().iloc[20544:]#剩下的作为测试集（27392*0.25）

基于单变量预测价格

#new_listing_value:当前样本的feature_clolumn（如accomodates）列属性取值
#feture_column:计算房租使用的单属性
def predict_price(new_listing_value,feature_column):
temp_df=train_df#使用训练集来预测测试集房租结果
dc_listings[feature_column]=train_df[feature_column].astype(float)#统一将格式转换成float否则会报错
temp_df['distance']=np.abs(train_df[feature_column]-new_listing_value)
temp_df=temp_df.sort_values('distance')
knn_5=temp_df.price.iloc[:5]
predict_price=knn_5.mean()
return(predict_price)

对测试集的每一条记录使用accomodates属性预测其房租价格

#new_listing_value的值即为accommodates的取值
test_df['predicted_price']=test_df.accommodates.apply(predict_price,feature_column='accommodates')
test_df.predicted_price.head()

输出：

14122    134.0
23556    418.0
16317    134.0
26230    134.0
19769    134.0
Name: predicted_price, dtype: float64

root mean square error(RMSE)均方根误差

得到每个样本的预测值后计算均方根误差用于评估模型（值越小模型越好）

test_df['squared_error']=(test_df['predicted_price']-test_df['price'])**(2)
mse=test_df['squared_error'].mean()
rmse=mse**(1/2)
rmse

输出结果：

348.689169172284

试试不同的变量（属性）

for feature in ['accommodates','bedrooms','bathrooms','number_of_reviews']:
test_df['predicted_price']=test_df[feature].apply(predict_price,feature_column=feature)
test_df['squared_error']=(test_df['predicted_price']-test_df['price'])**(2)
mse=test_df['squared_error'].mean()
rmse=mse**(1/2)
print("RMSE for the {} column:{}".format(feature,rmse))

输出：

RMSE for the accommodates column:348.689169172284
RMSE for the bedrooms column:344.64855009943
RMSE for the bathrooms column:361.1230782594195
RMSE for the number_of_reviews column:383.4946020709275

注:由于每个测试集中的样本都要与训练集中样本一一比对，所以上述程序运行时间较长，需要耐心等待……

标准化

 

同时使用多个属性——如房间数（个位数）和房间面积（几十甚至上百）进行计算的时候，由于变量取值范围的不同（取值范围大的影响较大）会导致对计算结果的不良影响（如计算欧式距离时，房间面积差值平方计算结果通常较大，而房间数差值平方较小），而各个属性是独立的即它们是同等重要的，所以需要对数据进行标准化，如采用z-score标准化或归一化等手段进行预处理

 

z-score 标准化（Z-score normalization）

 

要求数据总体均值μ=0 标准差σ=1

转换公式如下：

其中μ为原始数据均值,𝜎σ为原始数据标准差,经过处理后的数据均值为0，标准差为1。 x-μ是为了让数据以0为中心分布，除以标准差σ是让所有列的取值范围相近（某一列取值范围小，标准差也相对较小，除以标准差后值会变大，反之，某一列取值范围大，标准差也较大，除以标准差后结果就会变小，这样就达到了使所有列取值范围相近的目的）。(分子和分母都是计算和均值的差值，分子是个体差值，分母是平均差值——标准差)比如让房间面积和房屋个数的取值范围相同。

 

标准差（又叫均方差，标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。）计算公式

归一化（Min-Max scaling或normalization,也称为0-1归一化）

转换公式如下：

 

归一化将数字取值范围转换为0-1之间

经过上述处理后，只会改变原始数据的取值范围，而不会改变其分布规则（所有的数据处理都必须遵循的原则）。标准化会减小数据的取值范围，并使数据以0为中心分布。归一化使数据都分布在0-1之间。下面使用sklearn的preprocessing库进行预处理

import pandas as pd
from sklearn.preprocessing import StandardScaler#从sklearn导入标准化处理库
features=['accommodates','bathrooms','bedrooms','beds','price','minimum_nights','maximum_nights','number_of_reviews']
dc_listings=pd.read_csv('listings.csv')
dc_listings=dc_listings[features]
dc_listings['price']=dc_listings.price.str.replace("\$|,",'').astype(float)
dc_listings=dc_listings.dropna()#去除空数据
dc_listings[features]=StandardScaler().fit_transform(dc_listings[features])#数据标准化
normalized_listings=dc_listings
print(dc_listings.shape)
normalized_listings.head()

输出结果：

(26728, 8)

#获得标准化后的测试集和训练集
norm_train_df=normalized_listings.copy().iloc[0:20544]
norm_test_df=normalized_listings.copy().iloc[20544:]

使用scipy（一种专门用于统计学的工具库）中的工具计算欧式距离

from scipy.spatial import distance
first_listing=normalized_listings.iloc[0][['accommodates','bathrooms']]
sixth_listing=normalized_listings.iloc[5][['<
15b0
span style="color: rgba(128, 0, 0, 1)">accommodates','bathrooms']]
first_sixth_distance=distance.euclidean(first_listing,sixth_listing)#计算第一个样本点和第六个样本点之间的欧式距离
first_sixth_distance

输出：

2.275986934945609

多变量KNN模型

def predict_price_multivariate(new_listing_value,feature_columns):
temp_df=norm_train_df
temp_df['distance']=distance.cdist(temp_df[feature_columns],[new_listing_value[feature_columns]])
#cdist用于计算训练集到测试集的向量的距离，函数每次接收一个测试集向量
temp_df=temp_df.sort_values('distance')
knn_5=temp_df.price.iloc[:5]
predicted_price=knn_5.mean()
return(predicted_price)
cols=['accommodates','bedrooms']
#axis=1表示按行计算，针对测试集的每个向量均调用函数一次
norm_test_df['predicted_price']=norm_test_df[cols].apply(predict_price_multivariate,feature_columns=cols,axis=1)
norm_test_df['squared_error']=(norm_test_df['predicted_price']-norm_test_df['price'])**[2]
mse=norm_test_df['squared_error'].mean()
rmse=mse**(1/2)
print(rmse)

输出：

1.2069982434803874

使用SKlearn来实现KNN¶

from sklearn.neighbors import KNeighborsRegressor
cols=['accommodates','bedrooms']
knn=KNeighborsRegressor(n_neighbors=100)#实例化，参数默认值是5（默认使用5个最近邻）该参数并不是越大越好（取500比取100的时候rmse反而增加了）
knn.fit(norm_train_df[cols],norm_train_df['price'])#使用训练集建立模型，确定X和Y
two_features_predictions=knn.predict(norm_test_df[cols])#对测试集的Y（价格）进行预测

使用SKlearn计算RMSE

from sklearn.metrics import mean_squared_error
two_features_mse=mean_squared_error(norm_test_df['price'],two_features_predictions)
two_features_rmse=two_features_mse**(1/2)
print(two_features_rmse)

输出：

0.9981501570648538

注：使用SKlearn实现KNN，感觉到速度比自己写的要快许多
加入更多的特征

cols=['accommodates','bedrooms','bathrooms','beds','minimum_nights','maximum_nights','number_of_reviews']
knn=KNeighborsRegressor(n_neighbors=100)
knn.fit(norm_train_df[cols],norm_train_df['price'])
seven_features_predictions=knn.predict(norm_test_df[cols])
seven_features_mse=mean_squared_error(norm_test_df['price'],seven_features_predictions)
seven_features_rmse=seven_features_mse**(1/2)
print(seven_features_rmse

输出：

0.9704297561523479

可以看到，当特征值增加到7个的时候，误差（rmse）变小了

总结

由于KNN的计算方式，其一般只可用于数据规模较小的情况下。另外，KNN也可以用于分类任务，只不过这时候样本的label是类别而不是数值。同样，也可以跟每个样本进行对比，取前n个最近邻，看大多数属于哪个类别，则认为当前样本属于哪个类别。