Prix Kaggle House ③ ～ Prévisions / Soumission ～

Prédisez les données de test et soumettez les fichiers de soumission en utilisant le modèle créé ci-dessous. Prix de la maison Kaggle② ~ Création d'un modèle ~

Charger la bibliothèque

import numpy as np
from sklearn.externals import joblib

Lire les données

def load_x_test() -> pd.DataFrame:
    """Lire la quantité de fonctionnalités des données de test créées à l'avance

    :return:Caractéristiques des données de test
    """
    return joblib.load('test_x.pkl')

def load_model(i_fold):
    """Chargez un modèle préfabriqué

    :return:Modèle de pli cible
    """
    return joblib.load(f'model-{i_fold}.pkl')

def load_pred_test():
    """Lire le résultat de la prédiction des données de test créées à l'avance

    :return:Résultat prévu des données de test
    """
    return joblib.load('pred-test.pkl')

Prédire les données de test

#Prédire les données de test en faisant la moyenne des modèles de chaque pli appris par validation croisée
test_x = load_x_test()
preds = []
n_fold = 4

#Faites des prédictions avec chaque modèle de pli
for i_fold in range(n_fold):
    print(f'start prediction fold:{i_fold}')
    model = load_model(i_fold)
    pred = model.predict(test_x)
    preds.append(pred)
    print(f'end prediction fold:{i_fold}')

#Obtenez la valeur moyenne de la prévision
pred_avg = np.mean(preds, axis=0)

#Enregistrement des résultats de prédiction
joblib.dump(pred_avg, 'pred-test.pkl')

Créer un fichier de soumission pour soumission

pred = load_pred_test()
print(len(pred))
print(load_x_test())
submission = pd.DataFrame(pd.read_csv('test.csv')['Id'])
submission['SalePrice'] = np.exp(pred)
submission.to_csv(
    'submission.csv',
    index=False
)

Résultat de la soumission