Introducción

En este artículo, demostraremos un flujo de trabajo completo de un proyecto de aprendizaje automático utilizando Scikit-Learn. Construiremos un modelo para predecir los precios de la vivienda en California en función de diversas características, como el ingreso medio, la antigüedad de la vivienda y el número promedio de habitaciones. Este proyecto lo guiará a través de cada paso del proceso, incluida la carga de datos, la exploración, la capacitación del modelo, la evaluación y la visualización de resultados. Ya sea un principiante que busca comprender los conceptos básicos o un profesional experimentado que busca un repaso, este artículo le brindará información valiosa sobre la aplicación práctica de las técnicas de aprendizaje automático.

Proyecto de predicción del precio de la vivienda en California

1. Introducción

El mercado inmobiliario de California es conocido por sus características únicas y dinámica de precios. En este proyecto, nuestro objetivo es desarrollar un modelo de aprendizaje automático para predecir los precios de la vivienda en función de varias características. Usaremos el conjunto de datos de vivienda de California, que incluye varios atributos, como ingreso medio, antigüedad de la vivienda, habitaciones promedio y más.

2. Importación de bibliotecas

En esta sección, importaremos las bibliotecas necesarias para la manipulación y visualización de datos y la construcción de nuestro modelo de aprendizaje automático.

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.datasets import fetch_california_housing

3. Cargando el conjunto de datos

Cargaremos el conjunto de datos de Vivienda de California y crearemos un DataFrame para organizar los datos. La variable objetivo, que es el precio de la vivienda, se agregará como una nueva columna.

# Load the California Housing dataset
california = fetch_california_housing()
df = pd.DataFrame(california.data, columns=california.feature_names)
df['PRICE'] = california.target

4. Seleccionar muestras aleatoriamente

Para que el análisis sea manejable, seleccionaremos aleatoriamente 700 muestras del conjunto de datos para nuestro estudio.

# Randomly Selecting 700 Samples
df_sample = df.sample(n=700, random_state=42)

5. Mirando nuestros datos

Esta sección proporcionará una descripción general del conjunto de datos, mostrando las primeras cinco filas para comprender las características y la estructura de nuestros datos.

# Overview of the data
print("First five rows of the dataset:")
print(df_sample.head())

Producción

First five rows of the dataset:
       MedInc  HouseAge  AveRooms  AveBedrms  Population  AveOccup  Latitude  \
20046  1.6812      25.0  4.192201   1.022284      1392.0  3.877437     36.06   
3024   2.5313      30.0  5.039384   1.193493      1565.0  2.679795     35.14   
15663  3.4801      52.0  3.977155   1.185877      1310.0  1.360332     37.80   
20484  5.7376      17.0  6.163636   1.020202      1705.0  3.444444     34.28   
9814   3.7250      34.0  5.492991   1.028037      1063.0  2.483645     36.62   

       Longitude    PRICE  
20046    -119.01  0.47700  
3024     -119.46  0.45800  
15663    -122.44  5.00001  
20484    -118.72  2.18600  
9814     -121.93  2.78000  

Mostrar información del marco de datos

print(df_sample.info())

Producción

Index: 700 entries, 20046 to 5350
Data columns (total 9 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   MedInc      700 non-null    float64
 1   HouseAge    700 non-null    float64
 2   AveRooms    700 non-null    float64
 3   AveBedrms   700 non-null    float64
 4   Population  700 non-null    float64
 5   AveOccup    700 non-null    float64
 6   Latitude    700 non-null    float64
 7   Longitude   700 non-null    float64
 8   PRICE       700 non-null    float64
dtypes: float64(9)
memory usage: 54.7 KB

Mostrar estadísticas resumidas

print(df_sample.describe())

Producción

           MedInc    HouseAge    AveRooms   AveBedrms   Population  \
count  700.000000  700.000000  700.000000  700.000000   700.000000   
mean     3.937653   28.855714    5.404192    1.079266  1387.422857   
std      2.085831   12.353313    1.848898    0.236318  1027.873659   
min      0.852700    2.000000    2.096692    0.500000     8.000000   
25%      2.576350   18.000000    4.397751    1.005934   781.000000   
50%      3.480000   30.000000    5.145295    1.047086  1159.500000   
75%      4.794625   37.000000    6.098061    1.098656  1666.500000   
max     15.000100   52.000000   36.075472    5.273585  8652.000000   

         AveOccup    Latitude   Longitude       PRICE  
count  700.000000  700.000000  700.000000  700.000000  
mean     2.939913   35.498243 -119.439729    2.082073  
std      0.745525    2.123689    1.956998    1.157855  
min      1.312994   32.590000 -124.150000    0.458000  
25%      2.457560   33.930000 -121.497500    1.218500  
50%      2.834524   34.190000 -118.420000    1.799000  
75%      3.326869   37.592500 -118.007500    2.665500  
max      7.200000   41.790000 -114.590000    5.000010  

6. Dividir el conjunto de datos en conjuntos de entrenamiento y de prueba

Separaremos el conjunto de datos en características (X) y la variable objetivo (y) y luego lo dividiremos en conjuntos de entrenamiento y prueba para el entrenamiento y evaluación del modelo.

# Splitting the dataset into Train and Test sets
X = df_sample.drop('PRICE', axis=1)  # Features
y = df_sample['PRICE']  # Target variable

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

7. Entrenamiento modelo

En esta sección, crearemos y entrenaremos un modelo de regresión lineal utilizando los datos de entrenamiento para conocer la relación entre las características y los precios de la vivienda.

# Creating and training the Linear Regression model
lr = LinearRegression()
lr.fit(X_train, y_train)

8. Evaluación del modelo

Haremos predicciones en el conjunto de prueba y calcularemos el error cuadrático medio (MSE) y los valores de R cuadrado para evaluar el rendimiento del modelo.

# Making predictions on the test set
y_pred = lr.predict(X_test)

# Calculating Mean Squared Error
mse = mean_squared_error(y_test, y_pred)
print(f"\nLinear Regression Mean Squared Error: {mse}")

Producción

Linear Regression Mean Squared Error: 0.3699851092128846

9. Visualización de valores reales frente a valores previstos

Aquí, crearemos un DataFrame para comparar los precios reales de la vivienda con los precios previstos generados por nuestro modelo.

# Displaying Actual vs Predicted Values
results = pd.DataFrame({'Actual Prices': y_test.values, 'Predicted Prices': y_pred})
print("\nActual vs Predicted:")
print(results)

Producción

Actual vs Predicted:
     Actual Prices  Predicted Prices
0          0.87500          0.887202
1          1.19400          2.445412
2          5.00001          6.249122
3          2.78700          2.743305
4          1.99300          2.794774
..             ...               ...
135        1.62100          2.246041
136        3.52500          2.626354
137        1.91700          1.899090
138        2.27900          2.731436
139        1.73400          2.017134

[140 rows x

 2 columns]

10. Visualizando los resultados

En la sección final, visualizaremos la relación entre los precios reales y previstos de la vivienda utilizando un diagrama de dispersión para evaluar visualmente el rendimiento del modelo.

# Visualizing the Results
plt.figure(figsize=(8, 6))
plt.scatter(y_test, y_pred, color='blue')
plt.xlabel('Actual Prices')
plt.ylabel('Predicted Prices')
plt.title('Actual vs Predicted House Prices')

# Draw the ideal line
plt.plot([0, 6], [0, 6], color='red', linestyle='--')

# Set limits to minimize empty space
plt.xlim(y_test.min() - 1, y_test.max()   1)
plt.ylim(y_test.min() - 1, y_test.max()   1)

plt.grid()
plt.show()

Conclusión

En este proyecto, desarrollamos un modelo de regresión lineal para predecir los precios de la vivienda en California en función de varias características. Se calculó el error cuadrático medio para evaluar el rendimiento del modelo, lo que proporcionó una medida cuantitativa de la precisión de la predicción. A través de la visualización, pudimos ver qué tan bien se desempeñó nuestro modelo en comparación con los valores reales.

Este proyecto demuestra el poder del aprendizaje automático en el análisis inmobiliario y puede servir como base para técnicas de modelado predictivo más avanzadas.