寻找影响净收益的特征

Question

利用机器学习，我想找出影响net revenue的特征，并根据这些特征从数据中得出结论。数据集是一个汽车共享公司的数据（如Turo）。数据集包含约80000行14列

我很难构建一个EDA，尤其是用ML算法来找出影响net_revenue的特性

到目前为止我做了什么

1. 我对这些数据做了相关矩阵分析，发现'youth driver fee'比'net_revenue'具有最多的correlated特征( 我把make和model列排除在分析之外，因为品牌和模型太多，很难预测它们对net_revenue的影响

2. 我想看看这种关联与一些ML算法相关，比如Logistic regression和Randomforest。为了进一步应用RandomForest ML来验证这种相关性，我将分类变量（payment\u type、returning\u guest和returning\u host）转换为伪变量（0和1）

所以我试着应用这两个模型，遵循这个post

逻辑回归

cols=['driver_age', 'completed_trips', 'vehicle_price', 'lead_time', 'trip_length', 
              'trip_revenue', 'youth_driver_fee', 'insurance_fee', 'delivery_fee', 'returning_quest_First_time','returning_quest_Repeat','returning_host_First_time','returning_host_repeat']

            X=data[cols]
            y=data['net_revenue']

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
from sklearn.linear_model import LogisticRegression
from sklearn import metrics
logreg = LogisticRegression()
logreg.fit(X_train, y_train)

*逻辑回归的默认设置

逻辑回归（C=1.0，class\u weight=None，dual=False，fit\u intercept=True，intercept\u scaling=1，max\u iter=100，multi\u class='ovr'，n\u jobs=1，penal='l2'，random\u state=None，solver='liblinear'，tol=0.0001，verbose=0，warm\u start=False）

**执行上述代码后，IPython笔记本会冻结，看起来它永远不会输出任何东西。因此我必须重新启动内核

随机森林

from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier()
rf.fit(X_train, y_train)

**同样的问题

我的问题

1. 如何使用ML模型来查找影响净收入的功能？是否有任何资源可以解决相同的问题？卡格尔的比赛肯定很好，也许是一个中等职位

我找到了一个数据集来预测目标值的特征，但目标值看起来像是连续的。 从https://www.kaggle.com/prasadkevin/prediction-of-quality-of-wine

1. 要使用LogisticRegression和RandomForest，net_revenue必须是分类变量吗

2. 你知道Kaggle上类似的数据集吗：）？因为我找不到像这样的相关ML流

任何建议都将不胜感激

泰铢

Answer 1

一些事情

当使用任何机器学习模型时，必须将每个分类变量转换为虚拟变量，而不仅仅是随机林

您正在使用RandomForestClassifier来解决回归问题，这不是您想要的。而是使用sklearn.ensemble.RandomForestRegressor

如果没有抛出错误，您的机器学习模型可能正在运行。因为您有80000行，所以可能需要一段时间。当您定义模型时，请将它们定义为

logreg = LogisticRegression(verbose=1)

以及

rf = RandomForestRegressor(verbose=1)

如果模型正在运行，他们会打印出他们的进度，这样你就可以看到发生了什么