原文链接：http://tecdat.cn/?p=21467 

目标

房价无关的数据可能反映了中国近年来的变动：

  • 人们失去更多的资源（薪水），冀望有更好的房子
  • 人口众多
  • 独生子女政策：如何影响房子的几何构造？更多的卧室，更多的空间

我外围的想法是预测房价。然而，我不打算应用任何arima模型；相同，我将应用数据的个性逐年拟合回归。

构造如下：

  • 数据筹备：将数值特色转换为分类；缺失值
  • EDA:对于数值特色和分类特色:平均价格与这些特色的体现

  • 建模：

    • 宰割训练/测试给定年份的数据：例如，在2000年宰割数据；依据这些数据训练回归模型
    • 而后，在2016年之前的所有新年里，预测每套房子的价值。
    • 用于验证的度量将是屋宇的平均价格（即每年从测试样本中取得平均价格和预测值）

数据筹备

咱们对特色有了十分残缺的形容：

  • url：获取数据（字符）的url
  • id:id（字符）
  • Lng：和Lat坐标，应用BD09协定。（数字）
  • Cid：社区id（数字）
  • 交易工夫：交易工夫（字符）
  • DOM：市场沉闷日。（数字）
  • 关注者：交易后的人数。（数字）
  • 总价：（数值）
  • 价格：按平方计算的平均价格（数值）
  • 面积：屋宇的平方（数字）
  • 起居室：客厅数（字符）
  • 客厅：客厅数（字符）
  • 厨房：厨房数量（数字）
  • 浴室数量（字符）
  • 房子的高度
  • 修建类型：包含塔楼（1）、平房（2）、板塔组合（3）、板（4）（数值）
  • 施工工夫
  • 装修：包含其余（1）、粗（2）、简略（3）、简装（4）（数值）
  • 修建构造：包含未清（1）、混合（2）、砖和木（3）、砖混凝土（4）、钢（5）和钢-混凝土复合材料（6）。（数值）
  • 梯梯比：同层居民数与电梯数量的比例。
  • 电梯有（1）或没有电梯（0）（数值）
  • 五年期：业主领有不到5年的财产（数字）

数据清理、特色创立

从最后的数据看：

  • 从网址上，我发现它有地位信息，如chengjiao/101084782030。同样，一个简略的regexp进行省特征提取。
  • 另一个大的数据筹备工作是转换一些数字特色，比方地铁，地铁站左近的家庭编码为1，相同的状况编码为0。
  • 还有很大一部分DOM缺失。我既不能在建模中应用这个个性，也不能删除NA，但它也会减小数据帧的大小。
 #从网址中提取省份  sapply(df$url, function(x) strsplit(x,'/')[[1]][4])

查看缺失

#缺失数据图   ggplot(data = .,aes(x = V2, y = V1)) + geom_tile(aes(fill = value )) +

 

  • 如上所述，DOM的很大一部分失落了。我决定先保留这个个性，而后用两头值来填充缺失的值（散布是十分歪斜的）
  • 否则，buildingType和communityAverage（pop.）中只有几个短少的值，我决定简略地删除这些值。事实上，它们只占了约30行，而整个数据集的数据量为300k+，因而损失不会太大。
  • 上面我简略地删除了我当前不打算应用的特色。
 ifelse(is.na(df$DOM),median(df$DOM,na.rm=T),df$DOM)

用于将数字转换为类别的自定义函数

对于某些特色，须要一个函数来解决多个标签，对于其余一些特色（客厅、客厅和浴室），转换非常简单。

df2$livingRoom <- as.numeric(df2$livingRoom)

仿佛buildingType具备谬误的编码数字值：

buildingType

count

0.048

4

0.125

3

0.250

2

0.333

5

0.375

1

0.429

1

0.500

15

0.667

1

1.000

84541

2.000

137

3.000

59715

4.000

172405

NaN

2021

因为谬误的编码值和NA的数量很少，因而我将再次抛弃这些行

 df2$renovationCondition <- sapply(df2$renovationCondition, ionCondition)df2$buildingStructure <- sapply(df2$buildingStructure, makeStructure)df2$elevator <- ifelse(df2$elevator==1,'has_elevator','no_elevator')

缺失值检察

# 缺失数据图df2 %>% is.na %>% melt %>%   ggplot(data = .,aes(x = Var2, y = Var1)) + geom_tile(aes(fill = value)) +  scale_fill_manual(values = c("grey20","white")) + theme_minimal(14) + 

kable(df %>% group_by(constructionTime) %>% summarise(count=n()) %>% arrange(-count) %>% head(5))

constructionTime

count

2004

21145

2003

19409

NA

19283

2005

18924

2006

14854

df3 <- data.frame(df2 %>% na.omit())

插补后的最终查看

any(is.na(df3))

## [1] FALSE

探索性剖析

因为有数字和分类特色，我将应用的EDA技术有：

  • 数值：相关矩阵
  • 分类：箱线图和地图

咱们必须关注价格（单位价格/单位价格）以及总价格（百万元）
totalPrice将是回归模型的指标变量。

数值特色

corrplot(cor(  df3  ,  tl.col='black')

评论

  • totalPrice与communityAverage有很强的正相干关系，即人口密集区的房价较高
  • totalPrice与客厅、卫浴室数量有肯定的正相干关系。
  • 至于面积变量，咱们看到它与上述变量也有很强的相关性：这是有情理的，因为如果房子的面积大，能够建造更多的房间（不言而喻）。
  • 其余一些乏味的相关性：communityAverage与修建工夫呈负相关，这意味着在人口密集区建房所需的工夫更短

分类特色

地图

  • 中国三级（省）地图
  • 我看了看城郊，它位于北京左近，所以我过滤了那个特定省份的地图
ggplot() +   geom_polygon(data = shapefile_test,aes(x = long, y = lat, group = group), BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)

修建构造

makeEDA('buildingStructure' )

砖木结构的屋宇是最低廉的，简直是其余类型屋宇的两倍

修建类型

makeEDA('buildingType' )

  • 平房是最低廉的，也是最本地化的

装修条件

电梯

  • 价格对电梯的依赖性十分小
  • 住宅的散布与这一特色是绝对相等的。

地铁

  • 价格对地铁站左近的依赖性十分小。
  • 住宅的散布与这一特色是绝对相等的。

是否满_五年_

makeFeatureCatEDA('fiveYearsProperty', length(unique(df3$fiveYearsProperty)))

  • 对于是否领有不到5年房产来说，价格的依赖性的确很小
  • 就这一特色而言，家庭的散布是绝对平等的

区域

回归模型

策略

  • 从tradeTime中提取年份和月份
  • 按年度和月份分组，失去屋宇的数量和均价

  • 拆分数据集：

    • 对于年[2010-2017]=在这组年上训练并运行回归模型
    • 对于>2017年：逐月对测试样本并预测平均价格

平均价格总览

首先咱们须要看看咱们想要预测什么

df3$year <- year(df3$tradeTimeTs)df3$month <- month(df3$tradeTimeTs) 

df3 %>% filter(year>2009) %>% group_by(monthlyTrad) %>%   summarise(count=n(), mean = mean(price)) %>%   ggplot(aes(x=monthlyTradeTS, y= mean)) +

  • 均匀价格上涨至2017年中期，而后迅速降落
  • 同时，屋宇数量随着价格的上涨而减少，而且当初房屋交易的数量也随着价格的上涨而缩小。

筹备训练/测试样本

我在2017-01-01拆分数据。对于所有样本，我须要把分类特色变成伪变量。

df_train <- data.frame(df  %>% filter(year>2009 & year<2017))df_test <- data.frame(df %>% filter(year>=2017))as.data.frame(cbind(  df_train %>% select_if(is.numeric) %>% select(-Lng, -Lat, -year, -month),  'bldgType'= dummy.code(df_train$buildingType),  'bldgStruc'= dummy.code(df_train$buildingStructure),  'renovation'= dummy.code(df_train$renovationCondition),  'hasElevator'= dummy.code(df_train$elevator),

在这一步中，我只训练一个线性模型

regressors<-c('lm')  Control <- trainControl(method = "cv",number = 5, repeats=3)for(r in regressors){    cnt<-cnt+1     res[[cnt]]<-train(totalPrice ~., data = train ,method=r,trControl =  Control)

 r^2在0.88左右，不错。让咱们看看细节。

训练精度

 g1<-ggplot(data=PRED,aes(x=Prediction,y=True)) + geom_jitter() + geom_smooth(method='lm',size=.5) +    #计算指标    mse <- mean((PRED$True-PRED$Prediction)^2)    rmse<-mse^0.5    SSE = sum((PRED$Pred - PR 

## [1] "MSE: 15952.845934 RMSE : 126.304576 R2 :0.795874"

  • 所以看起来残差还不错（散布是正态的，以0为核心），但对于低价格来说仿佛失败了。

 训练和测试样本的预测与工夫的关系

  • 基本上与上述雷同，但我将反复预测所有月份的训练数据
  • 我的指标指标是均匀房价。
  • 训练是在10多年的训练样本中实现的，因而逐月查看预测将十分乏味。
 # 训练样本->训练精度 for (i in 1:length(dates_train)){     current_df <- prepareDF(current_df)     current_pred <- mean(predict(res[[1]],current_df)) #运行测试样本-->测试精度 for (i in 1:length(dates_test)){     current_df <- prepareDF(current_df)    current_pred <- mean(predict(res[[1]],current_df)) 

 RES %>% reshape2::melt(id=c('date','split')) %>%   ggplot(aes(x=date,y=value)) + geom_line(aes(color=variable, lty=split),size=1) +

  • 预测对于2012年之后的数据的确十分好，这可能与有足够数据的月份绝对应

改良/要做

地理位置作为特色

  • 上面是一个乏味的图；它显示了每个地位的总价格。 在二维散布的核心，价格更高。
  • 这个想法是计算每个房子到核心的间隔，并关联一个等级/分数
BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)df3 %>% ggplot(aes(x=Lng,y=Lat)) + geom_point(aes(color=price),size=.1,alpha=.5)  +   theme(legend.position = 'bottom') +

最受欢迎的见解

1.R语言多元Logistic逻辑回归 利用案例

2.面板平滑转移回归(PSTR)剖析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型剖析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度测验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存剖析与Cox回归中计算IDI，NRI指标