【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型

煉丹老頑童發表於2018-08-06
AI機器學習隨機森林模型

【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型

(本文所使用的Python庫和版本號: Python 3.5, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

共享單車是最近幾年才發展起來的一種便民交通工具，基本上是我等屌絲上班，下班，相親，泡妞必備神器。本專案擬使用隨機森林迴歸器構建共享單車需求預測模型，從而檢視各種不同的條件下，共享單車的需求量。


1. 準備資料集

本次使用的資料集來源於加利福尼亞大學歐文分校（UCI）大學的公開資料集：https://archive.ics.uci.edu/ml/datasets/Bike+Sharing+Dataset，關於本次資料集的各種資訊可以參考該網站，同時也可以直接從該網站下載和使用資料集。本次共享單車資料集包含有兩個檔案，一個是按天來統計的共享單車使用量資料，另一個是按照小時數來統計的使用量。

說句題外話，這個共享單車資料集是在2011年至2012年間收集的，此處的共享單車是採用固定樁形式的單車，類似於中國的永安行，並不是我們目前所看到的滿大街的小黃車，小藍車，摩拜之類。

下載後，將資料集解壓到D:\PyProjects\DataSet\SharingBikes中。本資料集總共有17389個樣本，每個樣本有16列，其中，前兩列是樣本序號和日期，可以不用考慮，最後三列資料是不同型別的輸出結果，最後一列是第十四列和第十五列的和，因此本模型中不考慮第十四列和第十五列。

【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型

本資料集16列對應的資訊分別為：

【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型

如下為分析資料集的主要程式碼，此處我沒有深入研究資料集各個特徵列之間的關係。

# 首先分析資料集
dataset_path='D:\PyProjects\DataSet\SharingBikes/day.csv' # 首先只分析day 資料
# 首先載入資料集
raw_df=pd.read_csv(dataset_path,index_col=0)
# print(raw_df.shape)  # (731, 15)
# print(raw_df.head()) # 檢視是否正確載入
# print(raw_df.columns)
# 刪除不需要的列，第1列，第12,13列
df=raw_df.drop(['dteday','casual','registered'],axis=1)
# print(df.shape) # (731, 12)
# print(df.head()) # 檢視沒有問題
print(df.info()) # 沒有缺失值 第一列為object,需要進行轉換
# print(df.columns)

# 分隔資料集
dataset=df.as_matrix() # 將pandas轉為np.ndarray

# 將整個資料集分隔成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])
複製程式碼

-------------------------------------輸---------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**********結###############################

1，從列印的結果可以看出，這個資料集中沒有缺失值，且每一列的資料特徵都是一致的，故而不需要再額外做這些處理。

2，資料集中season， yr等有7列是int64型別，代表這些資料需要重新轉換為獨熱編碼格式，比如對於season中，1=春，2=夏，3=秋，4=冬，需要改成獨熱編碼形成的稀疏矩陣。

#################################################################


2. 構建隨機森林迴歸模型

在第一次嘗試時，我沒有對原始資料進行任何的特徵分析，也沒有對資料集進行修改，直接使用隨機森林迴歸模型進行擬合，看看結果怎麼樣。

# 其次，構建隨機森林迴歸器模型
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]) # 訓練模型

# 使用測試集來評價該回歸模型
predict_test_y=rf_regressor.predict(test_set[:,:-1])

import sklearn.metrics as metrics
print('隨機森林迴歸模型的評測結果----->>>')
print('均方誤差MSE：{}'.format(
    round(metrics.mean_squared_error(predict_test_y,test_set[:,-1]),2)))
print('解釋方差分：{}'.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)))
複製程式碼

-------------------------------------輸---------出--------------------------------

隨機森林迴歸模型的評測結果----->>> 均方誤差MSE：291769.31 解釋方差分：0.92 R平方得分：0.92

--------------------------------------------完-------------------------------------

然後採用（【火爐煉AI】機器學習006-用決策樹迴歸器構建房價評估模型）的方式繪製相對重要性直方圖，結果如下：

【火爐煉AI】機器學習007-用隨機森林構建共享單車需求預測模型

########################小**********結###############################

1，在沒有對資料集進行任何處理的情況下，採用預設的隨機森林迴歸器得到的模型在測試集上的MSE非常大，解釋方差分和R2都是0.93，表明模擬的還可以。

2，從相對重要性圖中可以看出，溫度對共享單車的使用影響最大，這個可以理解，比如冬天太冷，夏天太熱時，騎小黃車的人就顯著減少。但圖中顯示年份（yr）是第二個重要因素，這個估計是因為年份只有2011和2012兩年所致，要想得到更加可信的結果，還需要更多年份的資料。

#################################################################


注：本部分程式碼已經全部上傳到（我的github）上，歡迎下載。

參考資料:

1, Python機器學習經典例項，Prateek Joshi著，陶俊傑，陳小莉譯

相關文章