作者：韩信子@ShowMeAI
数据分析实战系列：https://www.showmeai.tech/tutorials/40
机器学习实战系列：https://www.showmeai.tech/tutorials/41
本文地址：https://www.showmeai.tech/article-detail/300
申明：版权所有，转载请分割平台与作者并注明出处
珍藏ShowMeAI查看更多精彩内容
一份来自『RESEARCH AND MARKETS』的二手车报告预计，从 2022 年到 2030 年，寰球二手车市场将以 6.1% 的复合年增长率增长，到 2030 年达到 2.67 万亿美元。人工智能技术的宽泛应用减少了车主和买家之间的透明度，晋升了购买体验，极大地推动了二手车市场的增长。
基于机器学习对二手车交易价格进行预估，这一技术曾经在二手车交易平台中宽泛应用。在本篇内容中，ShowMeAI 会残缺构建用于二手车价格预估的模型，并部署成web利用。
数据分析解决&特色工程
本案例波及的数据集能够在 kaggle汽车价格预测 获取，也能够在ShowMeAI的百度网盘地址间接下载。
实战数据集下载（百度网盘）：公众号『ShowMeAI钻研核心』回复『实战』，或者点击 这里 获取本文 [[11] 构建AI模型并部署Web利用，预测二手车价格](https://www.showmeai.tech/art...) 『CarPrice 二手车价格预测数据集』
⭐ ShowMeAI官网GitHub：https://github.com/ShowMeAI-Hub
① 数据摸索
数据分析解决波及的工具和技能，欢送大家查阅ShowMeAI对应的教程和工具速查表，快学快用。
- 图解数据分析：从入门到精通系列教程
- 数据迷信工具库速查表 | Pandas 速查表
- 数据迷信工具库速查表 | Seaborn 速查表
咱们先加载数据并初步查看信息。
import numpy as npimport pandas as pdimport seaborn as snsimport matplotlib.pyplot as pltimport pickle%matplotlib.inlinedf=pd.read_csv('CarPrice_Assignment.csv')df.head()数据 Dataframe 的数据预览如下：
咱们对属性字段做点剖析，看看哪些字段与价格最相干，咱们先计算相关性矩阵
df.corr()再对相关性进行热力求可视化。
sns.set(rc={"figure.figsize":(20, 20)})sns.heatmap(df.corr(), annot = True)其中各字段和price的相关性如下图所示，咱们能够看到其中有些字段和后果之间有十分强的相关性。
咱们能够对数值型字段，别离和price指标字段进行绘图详细分析，如下：
for col in df.columns: if df[col].dtypes != 'object': sns.lmplot(data = df, x = col, y = 'price')可视化后果图如下：
咱们把一些与价格相关性低（r<0.15）的字段删除掉：
df.drop(['car_ID'], axis = 1, inplace = True) to_drop = ['peakrpm', 'compressionratio', 'stroke', 'symboling']df.drop(df[to_drop], axis = 1, inplace = True)② 特色工程
特色工程波及的办法技能，欢送大家查阅ShowMeAI对应的教程文章，快学快用。
- 机器学习实战 | 机器学习特色工程最全解读
车名列包含品牌和型号，咱们对其拆分并仅保留品牌：
df['CarName'] = df['CarName'].apply(lambda x: x.split()[0]) 输入：
咱们发现有一些车品牌的别称或者拼写错误，咱们做一点数据荡涤如下：
df['CarName'] = df['CarName'].str.lower()df['CarName']=df['CarName'].replace({'vw':'volkswagen','vokswagen':'volkswagen','toyouta':'toyota','maxda':'mazda','porcshce':'porsche'})再对不同车品牌的数量做绘图，如下：
sns.set(rc={'figure.figsize':(30,10)})sns.countplot(data = df, x='CarName')③ 特色编码&数据变换
上面咱们要做进一步的特色工程：
- 类别型特色
大部分机器学习模型并不能解决类别型数据，咱们会手动对其进行编码操作。类别型特色的编码能够采纳 序号编码 或者 独热向量编码（具体参见ShowMeAI文章 机器学习实战 | 机器学习特色工程最全解读），独热向量编码示意图如下：
- 数值型特色
针对不同的模型，有不同的解决形式，比方幅度缩放和散布调整。
上面咱们先将数据集的字段分为两类：类别型和数值型：
categorical = []numerical = []for col in df.columns: if df[col].dtypes == 'object': categorical.append(col) else: numerical.append(col)上面咱们应用pandas中的哑变量变换操作把所有标记为“categorical”的特色进行独热向量编码。
# 独热向量编码x1 = pd.get_dummies(df[categorical], drop_first = False)x2 = df[numerical]X = pd.concat([x2,x1], axis = 1)X.drop('price', axis = 1, inplace = True)上面咱们对数值型特色进行解决，首先咱们看看标签字段price，咱们先绘制一下它的散布，如下：
sns.histplot(data=df, x="price", kde=True) 大家从图上能够看出这是一个有偏散布。咱们对它做一个对数解决，以使其更靠近正态分布。（另外一个考量是，如果咱们以对数后的后果作为标签来建模学习，那还原回 price 的过程，会应用指数操作，这能保障咱们失去的价格肯定是负数） ，代码如下：
#修复偏态散布 df["price_log"]=np.log(df["price"])sns.histplot(data=df, x="price_log", kde=True)校对过后的数据分布更靠近正态分布了，做过这些根底解决之后，咱们筹备开始建模了。
机器学习建模
① 数据集切分&数据变换
让咱们拆分数据集为训练和测试集，并对其进行根本的数据变换操作：
＃切分数据 from sklearn.model_selection import train_test_splity = df['price_log']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= 0.333, random_state=1) ＃特色工程-幅度缩放from sklearn.preprocessing import StandardScalersc= StandardScaler()X_train[:, :(len(x1.columns))]= sc.fit_transform(X_train[:, :(len(x1.columns))])X_test[:, :(len(x1.columns))]= sc.transform(X_test[:, :(len(x1.columns))])② 建模&调优
建模波及的办法技能，欢送大家查阅ShowMeAI对应的教程文章，快学快用。
- 机器学习实战 | SKLearn最全利用指南
咱们这里的数据集并不大（样本数不多），基于模型复杂度和成果思考，咱们先测试 4 个模型，看看哪一个体现最好。
- Lasso regression
- Ridge regression
- 随机森林回归器
- XGBoost回归器
咱们先从scikit-learn导入对应的模型，如下：
#回归模型 from sklearn.linear_model import Lasso, Ridgefrom sklearn.ensemble import RandomForestRegressorimport xgboost as xgb③ 建模 pipeline
为了让整个建模过程更加紧凑简介，咱们创立一个pipeline来训练和调优模型。 具体步骤为：
- 应用随机超参数训练评估每个模型。
- 应用网格搜寻调优每个模型的超参数。
- 用找到的最佳参数从新训练评估模型。
咱们先从 scikit-learn 导入网格搜寻：
from sklearn.model_selection import GridSearchCV接着咱们构建一个全面的评估指标函数，打印每个拟合模型的指标（R 平方、均方根误差和均匀绝对误差等）：
def metrics(model): res_r2 = [] res_RMSE = [] res_MSE = [] model.fit(X_train, y_train) Y_pred = model.predict(X_test) #计算R方 r2 = round(r2_score(y_test, Y_pred),4) print( 'R2_Score: ', r2) res_r2.append(r2) #计算RMSE rmse = round(mean_squared_error(np.exp(y_test),np.exp(Y_pred), squared=False), 2) print("RMSE: ",rmse) res_RMSE.append(rmse) #计算MAE mse = round(mean_absolute_error(np.exp(y_test),np.exp(Y_pred)), 2) print("MAE: ", mse) res_MSE.append(mse)上面要构建pipeline了：
# 候选模型models={ 'rfr':RandomForestRegressor(bootstrap=False, max_depth=15, max_features='sqrt', min_samples_split=2, n_estimators=100), 'lasso':Lasso(alpha=0.005, fit_intercept=True), 'ridge':Ridge(alpha = 10, fit_intercept=True), 'xgb':xgb.XGBRegressor(bootstrap=True, max_depth=2, max_features = 'auto', min_sample_split = 2, n_estimators = 100)}# 不同的模型不同建模办法for mod in models: if mod == 'rfr' or mod == 'xgb': print('Untuned metrics for: ', mod) metrics(models[mod]) print('\n') print('Starting grid search for: ', mod) params = { "n_estimators" : [10,100, 1000, 2000, 4000, 6000], "max_features" : ["auto", "sqrt", "log2"], "max_depth" : [2, 4, 8, 12, 15], "min_samples_split" : [2,4,8], "bootstrap": [True, False], } if mod == 'rfr': rfr = RandomForestRegressor() grid = GridSearchCV(rfr, params, verbose=5, cv=2) grid.fit(X_train, y_train) print("Best score: ", grid.best_score_ ) print("Best: params", grid.best_params_) else: xgboost = xgb.XGBRegressor() grid = GridSearchCV(xgboost, params, verbose=5, cv=2) grid.fit(X_train, y_train) print("Best score: ", grid.best_score_ ) print("Best: params", grid.best_params_) else: print('Untuned metrics for: ', mod) metrics(models[mod]) print('\n') print('Starting grid search for: ', mod) params = { "alpha": [0.005, 0.05, 0.1, 1, 10, 100, 290, 500], "fit_intercept": [True, False] } if mod == 'lasso': lasso = Lasso() grid = GridSearchCV(lasso, params, verbose = 5, cv = 2) grid.fit(X_train, y_train) print("Best score: ", grid.best_score_ ) print("Best: params", grid.best_params_) else: ridge = Ridge() grid = GridSearchCV(ridge, params, verbose = 5, cv = 2) grid.fit(X_train, y_train) print("Best score: ", grid.best_score_ ) print("Best: params", grid.best_params_)以下是随机调整模型的后果：
在未调超参数的状况下，咱们看到差别不大的R方后果，但 Lasso 的误差最小。
咱们再看看网格搜寻的后果，以找到每个模型的最佳参数：
当初让咱们将这些参数利用于每个模型，并查看后果：
调参后的后果相比默认超参数，都有晋升，但 Lasso回归仍旧有最佳的成果（与本例的数据集样本量和特色相关性无关），咱们最终保留Lasso回归模型并存储模型到本地。
lasso_reg = Lasso(alpha = 0.005, fit_intercept = True)pickle.dump(lasso_reg, open('model.pkl','wb'))web利用开发
上面咱们把下面失去的模型部署到网页端，造成一个能够实时预估的利用，咱们这里应用 gradio 库来开发 Web 应用程序，理论的web利用预估蕴含上面的步骤：
- 用户在网页表单中输出数据
- 解决数据（特色编码&变换）
- 数据处理以匹配模型输出格局
- 预测并出现给用户的价格
① 根本开发
首先，咱们导入原始数据集和做过数据处理（独热向量编码）的数据集，并保留它们各自的列。
# df的列#Columns of the dfdf = pd.read_csv('df_columns')df.drop(['Unnamed: 0','price'], axis = 1, inplace=True)cols = df.columns# df的哑变量列dummy = pd.read_csv('dummy_df')dummy.drop('Unnamed: 0', axis = 1, inplace=True)cols_to_use = dummy.columns接下来，对于类别型特色，咱们构建web利用端下拉选项：
# 构建利用中的候选值# 车品牌首字母大写cars = df['CarName'].unique().tolist()carNameCap = []for col in cars: carNameCap.append(col.capitalize())#fueltype字段fuel = df['fueltype'].unique().tolist()fuelCap = []for fu in fuel: fuelCap.append(fu.capitalize())#carbod, engine type, fuel systems等字段carb = df['carbody'].unique().tolist()engtype = df['enginetype'].unique().tolist()fuelsys = df['fuelsystem'].unique().tolist()OK，咱们会针对下面这些模型预估须要用到的类别型字段，开发下拉性能并增加候选项。
上面咱们定义一个函数进行数据处理，并预估返回价格：
# 数据变换处理以匹配模型def transform(data): # 数据幅度缩放 sc = StandardScaler() # 导入模型 model= pickle.load(open('model.pkl','rb')) # 新数据Dataframe new_df = pd.DataFrame([data],columns = cols) # 辨别类别型和数值型特色 cat = [] num = [] for col in new_df.columns: if new_df[col].dtypes == 'object': cat.append(col) else: num.append(col) x1_new = pd.get_dummies(new_df[cat], drop_first = False) x2_new = new_df[num] X_new = pd.concat([x2_new,x1_new], axis = 1) final_df = pd.DataFrame(columns = cols_to_use) final_df = pd.concat([final_df, X_new]) final_df = final_df.fillna(0) X_new = final_df.values X_new[:, :(len(x1_new.columns))]= sc.fit_transform(X_new[:,:(len(x1_new.columns))]) output = model.predict(X_new) return "The price of the car " + str(round(np.exp(output)[0],2)) + "$"上面咱们在gradio web应用程序中创立元素，咱们会为类别型字段构建下拉菜单或复选框，为数值型字段构建输入框。 参考代码如下：
# 类别型car = gr.Dropdown(label = "Car brand", choices=carNameCap)# 数值型curbweight = gr.Slider(label = "Weight of the car (in pounds)", minimum = 500, maximum = 6000)当初，让咱们在界面中增加所有内容：
所有就绪就能够部署了！
② 部署
上面咱们把下面失去利用部署一下，首先咱们对于利用的 ip 和端口做一点设定
export GRADIO_SERVER_NAME=0.0.0.0export GRADIO_SERVER_PORT="$PORT"大家确定应用pip装置好下述依赖：
numpy pandas scikit-learn gradio Flask argparse gunicorn rq接着运行 python WebApp.py 就能够测试应用程序了，WebApp.py内容如下：
import gradio as grimport numpy as npimport pandas as pdimport picklefrom sklearn.preprocessing import StandardScaler# 数据字典asp = { 'Standard':'std', 'Turbo':'turbo'}drivew = { 'Rear wheel drive': 'rwd', 'Front wheel drive': 'fwd', '4 wheel drive': '4wd'}cylnum = { 2: 'two', 3: 'three', 4: 'four', 5: 'five', 6: 'six', 8: 'eight', 12: 'twelve'}# 原始df字段名df = pd.read_csv('df_columns')df.drop(['Unnamed: 0','price'], axis = 1, inplace=True)cols = df.columns# 独热向量编码过后的字段名dummy = pd.read_csv('dummy_df')dummy.drop('Unnamed: 0', axis = 1, inplace=True)cols_to_use = dummy.columns# 车品牌名cars = df['CarName'].unique().tolist()carNameCap = []for col in cars: carNameCap.append(col.capitalize())# fuelfuel = df['fueltype'].unique().tolist()fuelCap = []for fu in fuel: fuelCap.append(fu.capitalize())#For carbod, engine type, fuel systmecarb = df['carbody'].unique().tolist() engtype = df['enginetype'].unique().tolist()fuelsys = df['fuelsystem'].unique().tolist()#Function to model data to fit the modeldef transform(data): # 数值型幅度缩放 sc= StandardScaler() # 导入模型 lasso_reg = pickle.load(open('model.pkl','rb')) # 新数据Dataframe new_df = pd.DataFrame([data],columns = cols) # 切分类别型与数值型字段 cat = [] num = [] for col in new_df.columns: if new_df[col].dtypes == 'object': cat.append(col) else: num.append(col) # 构建模型所需数据格式 x1_new = pd.get_dummies(new_df[cat], drop_first = False) x2_new = new_df[num] X_new = pd.concat([x2_new,x1_new], axis = 1) final_df = pd.DataFrame(columns = cols_to_use) final_df = pd.concat([final_df, X_new]) final_df = final_df.fillna(0) final_df = pd.concat([final_df,dummy]) X_new = final_df.values X_new[:, :(len(x1_new.columns))]= sc.fit_transform(X_new[:, :(len(x1_new.columns))]) print(X_new[-1].reshape(-1, 1)) output = lasso_reg.predict(X_new[-1].reshape(1, -1)) return "The price of the car " + str(round(np.exp(output)[0],2)) + "$"# 预估价格的主函数def predict_price(car, fueltype, aspiration, doornumber, carbody, drivewheel, enginelocation, wheelbase, carlength, carwidth, carheight, curbweight, enginetype, cylindernumber, enginesize, fuelsystem, boreratio, horsepower, citympg, highwaympg): new_data = [car.lower(), fueltype.lower(), asp[aspiration], doornumber.lower(), carbody, drivew[drivewheel], enginelocation.lower(), wheelbase, carlength, carwidth, carheight, curbweight, enginetype, cylnum[cylindernumber], enginesize, fuelsystem, boreratio, horsepower, citympg, highwaympg] return transform(new_data) car = gr.Dropdown(label = "Car brand", choices=carNameCap)fueltype = gr.Radio(label = "Fuel Type", choices = fuelCap)aspiration = gr.Radio(label = "Aspiration type", choices = ["Standard", "Turbo"])doornumber = gr.Radio(label = "Number of doors", choices = ["Two", "Four"])carbody = gr.Dropdown(label ="Car body type", choices = carb)drivewheel = gr.Radio(label = "Drive wheel", choices = ['Rear wheel drive', 'Front wheel drive', '4 wheel drive'])enginelocation = gr.Radio(label = "Engine location", choices = ['Front', 'Rear'])wheelbase = gr.Slider(label = "Distance between the wheels on the side of the car (in inches)", minimum = 50, maximum = 300)carlength = gr.Slider(label = "Length of the car (in inches)", minimum = 50, maximum = 300)carwidth = gr.Slider(label = "Width of the car (in inches)", minimum = 50, maximum = 300)carheight = gr.Slider(label = "Height of the car (in inches)", minimum = 50, maximum = 300)curbweight = gr.Slider(label = "Weight of the car (in pounds)", minimum = 500, maximum = 6000)enginetype = gr.Dropdown(label = "Engine type", choices = engtype)cylindernumber = gr.Radio(label = "Cylinder number", choices = [2, 3, 4, 5, 6, 8, 12])enginesize = gr.Slider(label = "Engine size (swept volume of all the pistons inside the cylinders)", minimum = 50, maximum = 500)fuelsystem = gr.Dropdown(label = "Fuel system (link to ressource: ", choices = fuelsys)boreratio = gr.Slider(label = "Bore ratio (ratio between cylinder bore diameter and piston stroke)", minimum = 1, maximum = 6)horsepower = gr.Slider(label = "Horse power of the car", minimum = 25, maximum = 400)citympg = gr.Slider(label = "Mileage in city (in km)", minimum = 0, maximum = 100)highwaympg = gr.Slider(label = "Mileage on highway (in km)", minimum = 0, maximum = 100)Output = gr.Textbox()app = gr.Interface(title="Predict the price of a car based on its specs", fn=predict_price, inputs=[car, fueltype, aspiration, doornumber, carbody, drivewheel, enginelocation, wheelbase, carlength, carwidth, carheight, curbweight, enginetype, cylindernumber, enginesize, fuelsystem, boreratio, horsepower, citympg, highwaympg ], outputs=Output)app.launch()最终的利用后果如下，能够本人勾选与填入特色进行模型预估！
参考资料
- 实战数据集下载（百度网盘）：公众号『ShowMeAI钻研核心』回复『实战』，或者点击 这里 获取本文 [[11] 构建AI模型并部署Web利用，预测二手车价格](https://www.showmeai.tech/art...) 『CarPrice 二手车价格预测数据集』
- ⭐ ShowMeAI官网GitHub：https://github.com/ShowMeAI-Hub
- 图解数据分析：从入门到精通系列教程 https://www.showmeai.tech/tutorials/33
- 数据迷信工具库速查表 | Pandas 速查表 https://www.showmeai.tech/article-detail/101
- 数据迷信工具库速查表 | Seaborn 速查表 https://www.showmeai.tech/article-detail/105
- 机器学习实战 | 机器学习特色工程最全解读 https://www.showmeai.tech/article-detail/208
- 机器学习实战 | SKLearn最全利用指南 https://www.showmeai.tech/article-detail/203