使用 Python 构建机器学习预测模型全流程指南

• 观察特征间是否存在线性关系，为选择模型提供参考。
• 发现异常值或离群点，决定是否需要清洗数据。

三、数据清洗与预处理

3.1 分离特征和目标值

将输入特征（X）和目标变量（y）分开，以便后续建模。

# 移除目标列作为特征 X
X = df_ads.drop(['成交额'], axis=1)

# 定义目标变量 y
y = df_ads['成交额']

print(X.head())
print(y.head())

3.2 处理缺失值（可选）

在实际项目中，数据往往存在缺失值，需要根据策略进行处理。

# 检查缺失值
print(X.isnull().sum())

# 如果有缺失值，可以选择删除或填充
# X = X.dropna() 
# 或者 X.fillna(X.mean(), inplace=True)

四、划分训练集和测试集

为了验证模型的泛化能力，避免过拟合，必须将数据集划分为训练集和测试集。通常比例为 8:2 或 7:3。

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(f"训练集样本数：{X_train.shape[0]}")
print(f"测试集样本数：{X_test.shape[0]}")

目的：

• 训练集用于训练模型参数。
• 测试集用于模拟未知数据，评估模型在真实场景下的表现。

五、构建模型并训练

本例选择线性回归模型，这是最基础的监督学习算法，适用于预测连续数值型目标变量。

5.1 初始化模型

model = LinearRegression()

5.2 训练模型

使用训练集数据拟合模型，寻找最佳拟合直线（最小化误差平方和）。

model.fit(X_train, y_train)

原理简述： 线性回归试图找到一条直线 $y = w_1x_1 + w_2x_2 + ... + b$，使得预测值与真实值的均方误差最小。fit 方法会自动计算权重系数 coef_ 和截距 intercept_。

六、预测与结果展示

训练完成后，使用测试集数据进行预测，并将预测结果与真实值进行对比。

# 进行预测
y_pred = model.predict(X_test)

# 创建 DataFrame 方便查看对比
result_df = pd.DataFrame({
    '真实值': y_test,
    '预测值': y_pred
})
print(result_df.head())

七、模型评估

量化模型性能是至关重要的一步。常用的指标包括 R² 分数（决定系数）和均方误差（MSE）。

7.1 计算评分

# R² 分数：越接近 1 表示拟合效果越好
r2_score = model.score(X_test, y_test)
print(f"测试集 R² 分数：{r2_score:.4f}")

# 也可以查看训练集分数，若训练集远高于测试集，可能存在过拟合
train_r2 = model.score(X_train, y_train)
print(f"训练集 R² 分数：{train_r2:.4f}")

7.2 计算均方误差 (MSE)

mse = np.mean((y_test - y_pred) ** 2)
print(f"均方误差 (MSE): {mse:.4f}")

指标解读：

• R² > 0.8：通常认为模型拟合效果较好。
• MSE：数值越小越好，代表平均预测误差的平方。

八、可视化预测结果

通过图表直观展示真实值与预测值的分布偏差。

plt.figure(figsize=(10, 6))
# 散点图展示真实值
plt.scatter(X_test, y_test, color='blue', alpha=0.6, label='True Value')
# 折线图展示预测值
plt.plot(X_test, y_pred, color='red', linewidth=2, label='Predicted Value')

plt.xlabel('Features')
plt.ylabel('Target Value')
plt.title('Actual vs Predicted Values')
plt.legend()
plt.grid(True)
plt.show()

九、总结与展望

本文详细介绍了使用 Python 构建线性回归预测模型的标准流程。通过数据加载、探索、预处理、训练、评估和可视化，我们完成了一个完整的机器学习闭环。

9.1 核心要点回顾

1. 数据质量：垃圾进，垃圾出（GIGO），数据清洗至关重要。
2. 模型选择：线性回归适合线性关系明显的数据，复杂非线性关系需尝试树模型或神经网络。
3. 评估指标：单一指标不足以评价模型，需结合业务场景综合考量。

9.2 下一步建议

• 特征工程：尝试添加更多特征，或使用多项式特征提升模型表达能力。
• 交叉验证：使用 K-Fold Cross Validation 获得更稳健的评估结果。
• 模型保存：使用 joblib 或 pickle 保存训练好的模型以便部署。

import joblib
# 保存模型
joblib.dump(model, 'linear_regression_model.pkl')
# 加载模型
# loaded_model = joblib.load('linear_regression_model.pkl')

掌握上述流程后，您可以将其迁移到其他类型的机器学习任务中，逐步深入探索更复杂的算法和应用场景。