专栏首页机器学习AI算法工程线性回归:预测上海车牌成交价格

线性回归:预测上海车牌成交价格

上海是全国最早实行私人轿车牌照拍卖方式来控制交通流量的城市,需要通过投标拍卖的形式购买车牌。

而车牌的拍卖并不是简单的价高者得,服务器只接受最低可成交价上下300元区间内的出价,意思就是说,如果现在最低成交价是60000,你出价范围必须在57000~63000之间,并且这个最低成交价是在不断变化的,到了最后几分价格上涨太快根本来不及操作。

如果能提前根据历年数据预测本次拍卖成交价格,那么成功率必定比盲拍要高很多。

下面就尝试使用 scikit-learn 这个机器学习工具库来进行价格预测。

收集数据

上海国拍竞标网 等其他公告网站收集到了最近几年的完整拍卖记录:

另外,一些重要的政策搜集也很重要,如果出现异常值可以剔除:

  • 2013年4月,开始有最低警示价的约束。
  • 2013年10月,取消警示价。
  • 2013年11月,重启警示价。
  • 2014年1月,试行车牌拍卖年度统一警示价72600元。同时,将实行个人、单位分场拍卖。
  • 2014年4月,投标卡参拍增至6次。
  • 2014年7月,拍牌者必须提交驾驶证件。
  • 2014年11月,二手车牌照不能私下交易,买卖纳入统一拍卖平台。
  • 2015年1月,警示价设定标准为剔除价格波动异常月份后,取最近三个月拍卖成交均价的加权平均值。

加载数据

数据和政策都收集好了,接下来就是数据预处理部分。预处理主要是读取数据并除掉无用的列,重命名中文列名等等:

df = pd.read_csv('data.csv')
df.rename(columns={'拍卖时间':'date','投放数量':'number',\
                   '警示价':'start','最低成交价':'low',                   '平均成交价':'mean','投标人数':'enrollment'},
          inplace=True)
df = df[['date','number','start','low','mean','enrollment']]
df = df[:-1]

这是浏览一下数据大概是这样的:

date

number

start

low

mean

enrollment

0

2013-4

11000

83600

83900

84101

26174

1

2013-5

9000

79900

80700

80803

222243

33

2016-2

8363

80600

83200

83244

196470

初步观察

我们可以初步浏览一下数据的关联度。将发放的车牌数、警示价、最低成交价、参与人数四个数据作为 x 变量,将平均成交价作为 y 变量,绘制他们的散点图观察分布情况:

import seaborn as sns
%matplotlib inline
sns.pairplot(df,x_vars=['number','start','low','enrollment'],y_vars='mean',size=7,kind='reg')

结果如下:

我看见了什么!一条直线!这简直就是完美吻合啊!

定睛一看,是最低成交价。

这本就该完美吻合,最低成交价不会比平均成交价低超过300元。

然后再想一下,在预测价格的时候,我们可以获取到的数据是:

  • 日期:2016-3
  • 投放数量:8310
  • 警示价:80600
  • 投标人数:目前未知,当天可知,假设为 200000

所以我们需要关注的是:投放数量、警示价、投标人数,之间的关系。

单独绘制警示价和成交均价的柱状图:

df.plot(y=['start','mean'],kind='Bar',figsize=[16,6])

观察一下警示价与成交均价之间的关系:

似乎差值十分接近啊,将每个月的差值单独绘制看看:

df['mean-start'] = df['mean']-df['start']ax = df.plot(y=['mean-start'],figsize=(16,6))ax.set_xticks(df.index)
ax.set_xticklabels(df.date,rotation=90)

绘制结果如下:

本来差值稳定在1000左右,结果到了2015年突然失去了控制。可能和人数陡增有关,也有可能和某些政策出台有关,暂且就先这样。

线性回归

我们先用最基础的线性回归模型来测试一下。

首先先把 X 和 y 单独取出来,选择投放数量、警示价、投标人数作为 X 变量,将成交均价作为 y 变量:

feature_cols = ['number', 'start', 'enrollment']X = df[feature_cols]y = df['mean']

然后区分训练集和测试集:

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)print X_train.shape # (25,3)print y_train.shape # (25,)print X_test.shape  # (9,3)print y_test.shape  # (9,)

然后进行线性回归分析:

from sklearn.linear_model import LinearRegression
linreg = LinearRegression()
linreg.fit(X_train, y_train)

看一下各个特征的系数:

print linreg.intercept_# 991.359968817zip(feature_cols, linreg.coef_)# [('number', 0.31616020072308526),# ('start', 0.9541013878172625),# ('enrollment', 0.015502778511636449)]

也就是说,最后的公式是:

y = 991.36 + 0.316 投放数量 + 0.954 警示价 + 0.0155 * 投标人数

这个结果合情合理,和我们一开始观察数据的结果接近。

接下来评测一下这个模型的准确性,用模型预测测试数据集,计算预测结果和真实结果的 RMSE 值:

from sklearn import metrics
y_pred = linreg.predict(X_test)
zip(y_test,y_pred)print np.sqrt(metrics.mean_squared_error(y_test, y_pred))

计算结果是:RMSE = 1174.38,并不是很理想。RMSE 可以用于模型评价,后面优化参数的时候可以进行模型之间的对比。

直观对比一下原始数据和预测数据:

fig, ax = plt.subplots()
x = np.arange(len(y_test))
ax.bar(x,y_test-y_pred,width=w)
fig.show()

显示结果如下:

而理论上,误差值不能超过300才能抢到牌照。可见预测的结果并没太多作用。

观察到模型中投标人数的影响似乎不是很大,不妨把投标人数从模型中去除,看看结果如何:

feature_cols = ['number', 'start']X = df[feature_cols]
y = df['mean']X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
linreg.fit(X_train, y_train)
y_pred = linreg.predict(X_test)
print np.sqrt(metrics.mean_squared_error(y_test, y_pred))

计算结果是:RMSE = 1318.04,似乎误差更大了。

模型虽然不准,不过预测一下2016年3月的成交均价还是可以的。从公告来看,发放牌照8310张,警示价80600,假设参与人数为20000,那么预计成交价:

linreg.predict([[8310,80600,200000]])

结果是:83619.78 元。

小结

在 Coursera 上跟着学 Machine Learning 也有段时间了,一直是跟着教程使用 GraphLab Create 来做。今天第一次用 scikit-learn 进行数据分析,即使是最最最简单的线性回归也是一路磕磕绊绊。

从结果来看,这个模型预测的结果误差会在 2000 元以内,并不能达到最后需要的 300 元的要求,只能使用其他方法来解决了,本文权当提供参考。

本文分享自微信公众号 - 大数据挖掘DT数据分析(datadw)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2016-03-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 知乎320万用户的信息分析与数据可视化

    art 1: 动机 作为一个知乎的重度用户,我深深的被知乎社区的高素质群体所吸引,这也是我在微信朋友圈、新浪微博、baidutieba等社区见不到的东西。那么为...

    机器学习AI算法工程
  • Python机器学习库scikit-learn实践

    一、概述 以最广泛的分类算法为例,大致可以分为线性和非线性两大派别。线性算法有著名的逻辑回归、朴素贝叶斯、最大熵等,非线性算法有随机森林、决策树、神经网络、核...

    机器学习AI算法工程
  • Python+Selenium+PIL+Tesseract真正自动识别验证码进行一键登录

    Python 2.7 IDE Pycharm 5.0.3 Firefox浏览器:47.0.1 PIL : Pillow-3.3.0-cp27-cp27m-...

    机器学习AI算法工程
  • “达观杯”文本智能处理挑战赛

     由于提供的数据集较大,一般运行时间再10到15分钟之间,基础电脑配置在4核8G的样子(越消耗内存在6.2G),因此,一般可能会遇到内存溢出的错误

    mathor
  • python | 对时间点的处理

    以我遇到的一个问题作为例子来说明。 2011-01-01 06:00:00 2011-01-01 07:00:00 2011-01-01 08:00...

    努力在北京混出人样
  • c语言基础学习08_关于内存管理的复习

    ============================================================================= 对于...

    黑泽君
  • 04.字段抽取/拆分&记录抽取1.字段抽取2.字段拆分3.记录抽取

    用户1250179
  • K8S 生态周报| 2019.04.01~2019.04.07

    > 「K8S 生态周报」内容主要包含我所接触到的 K8S 生态相关的每周值得推荐的一些信息。欢迎订阅知乎专栏「k8s生态」。

    Jintao Zhang
  • AI技术宅:女神说什么,听我的!

    千平 发自 凹非寺 量子位 出品 | 公众号 QbitAI ? △ 《爱情麻辣烫》剧照,图片来自网络 “清晨,我推开房门,一个洁白的世界映入我眼帘……” 电影《...

    量子位
  • 干货!不得不知的UI界面中“行为召唤按钮”设计秘诀

    以下内容由Mockplus团队翻译整理,仅供学习交流,Mockplus是更快更简单的原型设计工具。

    用户1372273

扫码关注云+社区

领取腾讯云代金券