基于机器学习的房价预测

# coding=utf-8 # 基于 机器学习深圳车牌竞价的历史数据预测竞价的最低价和平均价 完整代码数据 import pandas as pd import numpy as np from sklearn import linear_model from sklearn.svm import SVR from sklearn.neighbors import KNeighborsRegressor from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.ensemble import ExtraTreesRegressor from sklearn.ensemble import GradientBoostingRegressor import config # 训练样本处理 pdf = pd.read_excel(config.excel_file) X = list() # 最低价 Y1 = list() # 均价 Y2 = list() for index, element in pdf.iteritems(): # 去除第一列（字段标识） if 'Unnamed' in str(index): continue # # 去除最后一个（2019年11月），用来验证预测 # if index==57: # continue # # 去除导数第二个（2019年10月），用来验证预测 # if index == 56: # continue # # 去除导数第三个（2019年9月），用来验证预测 # if index == 55: # continue # # 去除导数第四个（2019年8月），用来验证预测 # if index == 54: # continue l_element = element.tolist() # 全部特征 # X.append(l_element[0:6]) # 只使用前两次竞价价格 X.append(l_element[4:6]) Y1.append(l_element[6]) Y2.append(l_element[7]) # print(X) # print(Y1) # print(Y2) # 多模型初始化 l_models = list() model = linear_model.LinearRegression() l_models.append(model) model = SVR(kernel='linear') l_models.append(model) # 运行速度非常慢（半天跑不完） # model=SVR(kernel="poly") model = SVR(kernel="rbf") l_models.append(model) model = KNeighborsRegressor(weights="uniform") l_models.append(model) # 树模型中，random_state参数会导致结果波动 model = DecisionTreeRegressor() l_models.append(model) model = RandomForestRegressor() l_models.append(model) model = ExtraTreesRegressor() l_models.append(model) model = GradientBoostingRegressor() l_models.append(model) # 测试单个模型 # model = linear_model.LinearRegression() # model=SVR(kernel='linear') # model=SVR(kernel="rbf") # model=KNeighborsRegressor(weights="uniform") # 树模型中，random_state参数会导致结果波动 # model=DecisionTreeRegressor() # model=RandomForestRegressor() # model=ExtraTreesRegressor() model = GradientBoostingRegressor() # 待预测特征（实际预测时，只要初始化特征x即可） # # 2019.08 # x = [[23151, 25107]] # # 2019.09 # x = [[26412, 28139]] # # 2019.10特征 # x = [[28871, 30719]] # # 2019.11特征 # x=[[29060, 31156]] # # 2019.12 x = [[24563, 26085]] # 待预测最低价 model.fit(X, Y1) y1 = model.predict(x) # 待预测平均价 model.fit(X, Y2) y2 = model.predict(x) print('---------单个模型-----------') print('预测最低价格：{}'.format(y1)) print('预测均值价格:{}'.format(y2)) # 测试所有模型bagging l_y1 = list() l_y2 = list() for m in l_models: m.fit(X, Y1) y1 = m.predict(x) l_y1.append(y1) m.fit(X, Y2) y2 = m.predict(x) l_y2.append(y2) y1 = np.mean(l_y1) y2 = np.mean(l_y2) print('---------多模型bagging-----------') print('预测最低价格：{}'.format(y1)) print('预测均值价格:{}'.format(y2))