说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
GBDT是Gradient Boosting Decision Tree（梯度提升树）的缩写。出版社在对图书进行定价时会考虑图书的页数、纸张、类别、内容、作者及读者等很多因素，用人工来分析较为烦琐，并且容易遗漏。如果能建立一个模型综合考虑各方面因素对图书进行定价，那么就能更加科学合理地节约成本、提升效率，并在满足读者需求的同时促进销售，挖掘更多潜在利润。该GBDT算法产品定价模型也可以用于其他领域的产品定价，如金融产品的定价。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
编号 |
变量名称 |
描述 |
1 |
页数 |
|
2 |
类别 |
|
3 |
彩印 |
其中0代表黑白印刷，1代表彩色印刷 |
4 |
纸张 |
|
5 |
价格 |
|
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有5个变量，数据中无缺失值，共1000条数据。
关键代码：
3.3数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 价格变量的折线图
用Matplotlib工具的plot()方法绘制折线图：
4.2 类别变量柱状图
用Pandas工具的plot(kind=‘bar’)方法绘制柱状图：
4.3 彩印变量柱状图
用Pandas工具的plot(kind=‘bar’)方法绘制柱状图：
4.4 纸张变量柱状图
用Pandas工具的plot(kind=‘bar’)方法绘制柱状图：
4.5 相关性分析
从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.特征工程
5.1 分类型文本变量处理
在数据集中，类别和纸张变量为分类型文本变量，本文变量无法直接应用于机器学习，需要转换成数值型变量，本项目使用LabelEncoder()标签编码进行转换，转换后的结果为：
5.2 建立特征数据和标签数据
关键代码如下：
5.3 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：
5.4 特征选择：递归特征删除算法
使用RFE()方法进行特征选择，返回特征的贡献情况，关键代码如下：
返回的结果：
[(4, '页数'), (3, '纸张'), (2, '类别'), (1, '彩印')] |
返回的是特征贡献度，可以看到最大的是 页数变量，最小的是 彩印变量。这个在实际应用过程中，根据需要进行选择，由于本案例使用的特征变量不多，所以后续的建模中，所有特征变量都参与。
6.构建GBDT回归模型
主要使用GradientBoostingRegressor算法，用于目标回归。
6.1模型参数
编号 |
模型名称 |
参数 |
1 |
GBDT回归模型 |
learning_rate=0.1 |
2 |
n_estimators=100 |
|
3 |
min_samples_split=2 |
|
4 |
max_depth=3 |
|
5 |
random_state=42 |
7.模型评估
7.1评估指标及结果
评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。
模型名称 |
指标名称 |
指标值 |
测试集 |
||
GBDT回归模型 |
可解释方差值 |
0.8474 |
平均绝对误差 |
4.8346 |
|
均方误差 |
68.0959 |
|
R方 |
0.8465 |
|
从上表可以看出，R方为84.65% 可解释方差值为84.74%，GBDT回归模型效果良好。
关键代码如下：
7.2 真实值与预测值对比图
从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。
7.3 模型特征重要性
特征重要性如图所示：
从上图可以看到特征变量对此模型的重要性依次为：页数、类别、彩印、纸张。
8.结论与展望
综上所述，本文采用了GBDT回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的定价。
# 本次机器学习项目实战所需的资料，项目资源如下： # 项目说明： # 获取方式一： # 项目实战合集导航： https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2 # 获取方式二： 链接：https://pan.baidu.com/s/1HAElROqJovzOnIjT-hnUNA 提取码：2k4j
