数据量大，数据要进行清洗以及预处理，同时要多方面可视化，要探索多变量对因变量的影响。
用R语言读取数据，对数据进行清洗合并以及预处理，数据可视化，特征工程以及变量选择，建模，交叉验证，模型评价。
任务/目标
对价格进行预测并且比较
特征转换
处理缺失值（对缺失值进行插值以及取均值进行处理，同时去掉一些缺失较少的数据行）
将因子变量变为数值型变量好做best subset selection来进行特征选择等等
可视化
Guojiang Zhao
视频
文本挖掘：主题模型（LDA）及R语言实现分析游记数据
视频
R语言广义相加模型（GAM）在电力负荷预测中的应用
运用nlp以及词云可视化
构造
以上说明了如何抽取相关特征，我们大致有如下训练样本（只列举部分特征）。
划分训练集和测试集
训练集70%和测试集30%
变量选择：best subset selection
选取5个最佳的变量
建模
预测价格
- 多元回归分析
- GAM模型（平滑样条，多项式回归，三次样条）
- 不同变量通过cross-validation来选择哪一种模型是cv.error最小的
随时关注您喜欢的主题
如图：
最后得到最终的一个模型
回归决策树
剪枝后
预测：
三个模型中分别对price预测
模型比较：
比较预测值和实际值的RMSE，选取最优模型
三个模型price预测值与实际值
比较：
可以看出，GAM模型是三个模型中最适合的，然后可以依据该模型对price进行预测。
关于作者
Guojiang Zhao
在此对Guojiang Zhao对本文所作的贡献表示诚挚感谢，他在卡耐基梅隆大学完成了硕士学位，擅长机器学习，数据挖掘，数理统计，数据分析。
每日分享最新报告和数据资料至会员群
关于会员群
- 会员群主要以数据研究、报告分享、数据工具讨论为主；
- 加入后免费阅读、下载相关数据内容，并同步海内外优质数据文档；
- 老用户可九折续费。
- 提供报告PDF代找服务
非常感谢您阅读本文，如需帮助请联系我们！
Python、R语言Lasso、Ridge岭回归、XGBoost分析Airbnb房屋数据：旅游市场差异、价格预测
【视频讲解】非参数重采样bootstrap的逻辑回归Logistic应用及模型差异Python实现
Python个人收入影响因素模型构建：回归、决策树、梯度提升、岭回归
