本次将从以下步骤完成一个机器学习项目

1，问题分析

2，获得数据

3，从数据探索和可视化中获得洞见

4，机器学习算法的数据准备

5，选择和训练模型

6，微调模型

7，启动、监控和维护系统

一，问题分析

首先应该明确业务目标是什么，因为建立模型本身可能不是***终目标。公司需要知道如何使用这个模型，如何从中获利。这才是***重要的问题，因为这将决定你怎么设定问题，选择说明算法，使用什么测量方法来评估模型的性能，以及应该花多少精力来进行调整。

其次是选择性能指标，回归问题的典型性能衡量指标是均方根误差（RMSE）,平均******误差（MAE）,标准差（SD）

RMSE

Root Mean Square Error,均方根误差

是观测值与真值偏差的平方和与观测次数m比值的平方根

是用来衡量观测值同真值之间的偏差

MAE

Mean Absolute Error ，平均******误差

是******误差的平均值

能更好地反映预测值误差的实际情况

SD

Standard Deviation ，标准差

是方差的算数平方根

是用来衡量一组数自身的离散程度

二，获取数据

数据下载，我们可以去一些开源数据网站下载数据，也可以自行爬取一些数据，但一定要保证数据的真实性。我们从这里下载。

数据加载，我们使用Pandas加载数据

1 import pandas an pd

2 def load_housing_data(housing_path):

3    return pd.read_csv(housing_path)

这个函数会返回一个包含所有数据的Pandas DataFrame对象。

3.快速查看数据结构

1）head()方法，查看前n行数据，默认前5行数据

1 housing = load_housing_data(HOUSING_PATH)

2

3 print(housing.head())

（2）info()方法，快速获取数据集的简单描述，特别是总行数、每个属性的类型和非空值的数量

print(housing.info())

数据集中包含20640个实例，以机器学习的标准来看，这个数字非常的小，但却是个完美的开始，需要注意的是，total_bedrooms这个属性只有20433个非空值，这意味着有207个区域缺失这个特性。我们后面需要考虑这一点。

所有属性的字段都是数字，除了ocean_proximity。它的类型是object，因此它可以是任何类型的python对象。

（3）value_counts()方法，查看有多少中分类存在，每种类别下分别有多少个区域。

1 vc = housing[‘ocean_proximity’].value_counts()

2 

3 print(vc)

（4）describe()方法，可以显示数值属性的摘要。

print(housing.describe())

count—总行数

mean—平均值

min—***小值

max—******值

std—标准差，用来测量数值的离散程度

25%、50%和75%--百分位数，表示一组观测值中给定百分比的观测值都低于该值。

（5）直方图，用来显示给定值范围（横轴）的实例数量（纵轴）。

使用hist()方法绘制每个属性的直方图。

1 import matplotlib.pyplot as plt

2 housing.hist(bins=50,figsize=(20,15))

3 plt.show()

bins-每张图柱子的个数

figsize-每张图的尺寸