關於Kaggle

Kaggle是一個2010年創立的社群，專門舉辦各種資料科學方面的競賽。在資料科學、機器學習行業內影響力極大。去年（2017年）谷歌把它收購了。

（圖為Kaggle網站）

Kaggle上有大量競賽。既然是從零開始，那當然挑簡單的上手了。

Kaggle上的一個房價預測專案比較適合新手，我們下面就以這個專案為例。

https://www.kaggle.com/c/house-prices-advanced-regression-techniques

預備知識

開啟上面的網頁，你會看到這樣一個頁面：

那這個專案的基本情況上面都列出來了，我這裡就不重複了。注意，它上面提到你需要有一些R或Python的經驗，也瞭解機器學習的基本知識。所以，雖然說是“從零開始”，還是需要一些預備知識的。注意左側有一個Tutorials欄目，裡面除了Kaggle的說明以外，還有Python和R的一些教程，有必要的話你可以溫習一下。

其中有3個檔案最重要：

train.csv 訓練資料test.csv 測試資料data_description.txt 關於資料的描述預備資料

我們使用Python的Pandas庫

import pandas as pd

df_train = pd.read_csv("train.csv", index_col="Id")

注意上面我們用`df`作為變數名字首，這是因為pandas把資料載入為DataFrame

我們用類似的方法載入訓練資料：

df_test = pd.read_csv("test.csv", index_col="Id")

我們用了`df_train`和`df_test`，不過Pandas可沒有這麼智慧，從變數名就能猜出哪個是訓練資料，哪個是測試資料，所以我們需要告訴它：

df_train["training_set"] = True

df_test["training_set"] = False

設定目標：

target = df_train["SalePrice"]

不過實際上訓練集中已經包含房價了，所以我們先剔除它，因為這是我們房價是需要預測的：

df_train = df_train.drop("SalePrice", axis=1)

然後連線訓練資料和測試資料，並進行更多的預處理：

df_full = pd.concat([df_train, df_test])

df_full = df_full.interpolate()

df_full = pd.get_dummies(df_full)

df_train = df_full[df_full["training_set"]==True]

df_train = df_train.drop("training_set", axis=1)

df_test = df_full[df_full["training_set"]==False]

df_test = df_test.drop("training_set", axis=1)

模型

之後我們就可以應用模型到資料了，這裡我們用隨機森林（n_jobs取-1表示利用所有的CPU核心）：

f = RandomForestRegressor(n_estimators=100, n_jobs=-1)

然後就是在訓練集上進行擬合：

rf.fit(df_train, target)

擬合模型之後進行預測：

predictions = rf.predict(df_test)

撒花，大功告成了！

提交結果

當然，最後我們還需要把結果提交給Kaggle，我們需要把預測轉換成csv格式，然後提交。

result = pd.DataFrame({"Id": df_test.index, "SalePrice": predictions})

result.to_csv("submission.csv", index=False)

到Kaggle網站上提交submission.csv即可。