آموزش محاسبه قیمت خانه با استفاده از ماشین لرنینگ و استفاده از درخت تصمیم

درخت تصمیم

یکی از روش های بسیار کاربردی در داده کاوی درخت تصمیم یا به اختصار (DTs) است. اساس کار درخت تصمیم به این صورت است که در مرحله یک پرسش مطرح می شود و متناسب با جواب، مرحله بعدی اجرا می شود.

مثال برای درخت تصمیم گیری

امروز هوا ابری است؟
اگر جواب بله بود، پس چتر برمی دارم.
اگر جواب خیر بود، پس عینک آفتابی برمی دارم.

عمق این درخت می تواند بر اساس بله و خیرها ادامه پیدا کند.

مثال محاسبه قیمت خانه در املاک با استفاده از ماشین لرنینگ و درخت تصمیم

به نظر شما یک متخصص ملک، چگونه قیمت خانه را برآورد می کند؟ اگر مفهوم درخت تصمیم را در نظر بگیرید، اغلب متخصصین املاک نیز هنگام برآورد قیمت، در ذهن خود یک درخت تصمیم را برای خانه مورد نظر ایجاد می کنند و در پایان قیمت متناسب با آن خانه را پیشنهاد می دهند. برای مثال در سطح اول این سوال مطرح می شود آیا خانه نوساز است؟ و در سطوح بعدی تعداد اتاق خواب، داشتن آسانسور و… . در شکل زیر نمونه ای از این مثال را مشاهده می کنید.

نمونه کد درخت تصمیم در یادگیری ماشین

import pandas as pd
from sklearn.tree import DecisionTreeRegressor

file_path = 'train.csv'

home_data = pd.read_csv(file_path)
home_data.head()

y = home_data.SalePrice
feature_columns = ['LotArea', 'YearBuilt', '1stFlrSF', '2ndFlrSF', 'FullBath', 'BedroomAbvGr', 'TotRmsAbvGrd']
X = home_data[feature_columns]

mytest_model = DecisionTreeRegressor()
mytest_model.fit(X, y)

print(&quotFirst in-sample predictions:&quot, mytest_model.predict(X.head()))
print(&quotActual target values for those homes:&quot, y.head().tolist())

محاسبه قیمت خانه در املاک با استفاده از ماشین لرنینگ و درخت تصمیم

لینک های مرتبط:

دانلود کدها و فایل train.csv از Github

دانلود فایل train.csv از Kaggle

دوره آموزش ماشین لرنینگ – قسمت دوم (نسخه تکمیلی این مطلب)