Pour déterminer le loyer approprié pour un studio dans une certaine zone Construisons un modèle en Python capable de prédire le loyer avec une grande précision à partir d'autres variables.

Données à utiliser

41 ensembles de données (souba.csv) sur les studios dans une certaine zone

Contenu de l'ensemble de données

id: ID de la propriété loyer: Loyer (yen) surface: surface (m2m2) âge: Âge (années) minutes: Station à pied (minutes)

Flux global

Préparation des données
Saisissez les données de différents axes
Sélection de la quantité de caractéristiques et comparaison de modèles
Apprendre et évaluer le modèle

Entraine toi

1) Préparation des données

Tout d'abord, importez et confirmez les données.

import numpy  as np
import pandas as pd
import seaborn as sns

df = pd.read_csv("souba.csv")
df.head()

	id	rent	area	age	minutes
0	1	4.3	13.00	26	6
1	2	4.2	14.35	35	5
2	3	5.0	15.60	33	9
3	4	4.5	13.09	32	5
4	5	4.6	12.92	38	7

Suppression des ID de variable sans signification qui ne sont pas pertinents pour l'analyse.

data = df.drop(["id"], axis = 1)
data.head()

rent	area	age	minutes
0	4.3	13.00	26	6
1	4.2	14.35	35	5
2	5.0	15.60	33	9
3	4.5	13.09	32	5
4	4.6	12.92	38	7

Divisez en données d'entraînement et en données de test à 7: 3.

#Divisé en données d'entraînement et données de test
X = data[["area", "age", "minutes"]].values
y = data["rent"].values

from sklearn.model_selection import train_test_split, cross_validate, KFold
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3)
X_train.shape, X_test.shape

((28, 3), (13, 3))

Créez un Dataframe pour chacune des données d'entraînement et des données de test.

#Créer un Dataframe
data_train = pd.DataFrame(X_train,columns = ["area", "age", "minutes"])
data_train["rent"] = y_train

data_test = pd.DataFrame(X_test,columns = ["area", "age", "minutes"])
data_test["rent"] = y_test

2) Saisissez les données de différents axes

Tout d'abord, visualisons les données d'entraînement. Le but de la visualisation est ① Saisir grossièrement la relation de l'ensemble des données ② Découvrez les valeurs aberrantes

sns.pairplot(data_train)

En regardant la relation entre le loyer et d'autres variables, ・ La zone semble être corrélée ・ Les minutes (à pied de la gare) ne sont pas aussi fortes que la zone, mais il semble y avoir une faible corrélation ・ L'âge (âge) semble être proche de la corrélation inverse On peut le lire.

Il n'y a qu'une seule valeur aberrante dans la zone, alors excluez-la.

#Correspondance des valeurs aberrantes
data_train = data_train.query("area < 40")
sns.pairplot(data_train)

Ensuite, calculons le coefficient de corrélation.

data_train.corr()

　　　　area	age	minutes	rent
area	1.000000	-0.148793	0.207465	0.925012
age	-0.148793	1.000000	-0.088959	-0.315480
minutes	0.207465	-0.088959	1.000000	0.154623
rent	0.925012	-0.315480	0.154623	1.000000

En regardant la corrélation entre le loyer et chaque variable, La zone a une corrélation très élevée, mais l'âge a une faible corrélation inverse, et les minutes n'ont pratiquement aucune corrélation.

De ce qui précède. Il semble bon de le prendre comme un montant de fonction dans l'ordre zone> âge> minutes.

3) Sélection de la quantité de caractéristiques et comparaison de modèles

【point】・ Assurez-vous de sélectionner un modèle en utilisant uniquement les données d'entraînement.

Tout d'abord, créons un modèle de régression linéaire lorsque les variables explicatives sont toutes des variables. Ici, nous utilisons la validation croisée en trois volets.

X_train = data_train[["area", "age","minutes"]].values
y_train = data_train["rent"].values

LR = LinearRegression()
res_1 = cross_validate(LR, X = X_train, y = y_train, scoring = "r2", cv = KFold(n_splits = 3, shuffle = True), return_train_score = True)
res_1

#But
{'fit_time': array([0.        , 0.00254989, 0.00099754]),
 'score_time': array([0.00401378, 0.        , 0.        ]),
 'test_score': array([-0.11587073,  0.67717773,  0.65301948]),
 'train_score': array([0.96132849, 0.66332986, 0.90608152])}

Ensuite, créons un modèle de régression linéaire en excluant la marche de la station des variables explicatives.

X_train = data_train[["area", "age"]].values
y_train = data_train["rent"].values

LR = LinearRegression()
res_2 = cross_validate(LR, X = X_train, y = y_train, scoring = "r2", cv = KFold(n_splits = 3, shuffle = True), return_train_score = True)
res_2

#But
{'fit_time': array([0.00318336, 0.0009973 , 0.0010891 ]),
 'score_time': array([0.        , 0.00185704, 0.        ]),
 'test_score': array([0.32138226, 0.87606109, 0.83912145]),
 'train_score': array([0.94496232, 0.88506422, 0.80168397])}

En comparant chaque test_score, Puisque ce dernier modèle, qui exclut la marche en station des variables explicatives, a un coefficient de détermination plus élevé, nous l'adopterons comme modèle.

4) Apprendre et évaluer le modèle

Apprenez le modèle avec les caractéristiques comme la superficie et l'âge.

X_train = data_train[["area", "age"]].values
y_train = data_train["rent"].values

LR = LinearRegression()
LR.fit(X_train, y_train)

Placez les données de test dans le modèle créé et vérifiez l'exactitude.

X_test = data_test[["area", "age"]].values
y_test = data_test["rent"].values

y_pred = LR.predict(X_test)
r2_score(y_true = y_test, y_pred = y_pred) 

#Évaluation du modèle
0.8623439786705054

En conséquence, le coefficient de décision dans les données de test était de 0,8 ou plus. Cela semble être un modèle avec un certain degré de précision.

[Python] Prédire le loyer approprié pour les appartements