【问题标题】：Finding features that influence net revenue寻找影响净收入的特征
【发布时间】：2020-01-10 08:48:12
【问题描述】：

使用机器学习，我想识别影响net revenue 的特征，并据此从数据中得出结论。数据集是汽车共享公司数据（如Turo）。数据集包含约 80000 行 14 列。

我很难构建一个 EDA，尤其是使用 ML 算法来找出影响 net_revenue 的特征。

到目前为止我做了什么

我对这些数据进行了相关矩阵分析，发现'youth driver fee' 与'net_revenue' 相比，correlated 的特征最多（我将make 和model 列排除在分析之外，因为品牌和型号太多，很难预测它们对net_revenue 的影响）
我希望看到这种相关性与一些 ML 算法相关，例如 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_type、returning_guest 和 return_host）转换为虚拟变量（0 和 1）

所以我尝试按照post 应用这两个模型

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)

*LogisticRegression 的默认设置

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, 惩罚='l2', random_state=无，solver='liblinear'，tol=0.0001，verbose=0，warm_start=False）

**IPython笔记本在执行上面的代码后就死机了，看起来它永远不会输出任何东西。所以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

如何使用 ML 模型来查找影响净收入的特征？是否有任何资源可以解决相同的问题？ Kaggle 比赛绝对没问题，或者可能是中等职位。

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

要使用LogisticRegression 和RandomForest，net_revenue 必须是分类变量吗？
你碰巧知道 Kaggle 上有类似的数据集:) 吗？因为我找不到任何像这样的相关 ML 流程！

任何建议将不胜感激！

谢谢

【问题讨论】：

标签： python algorithm machine-learning data-science

【解决方案1】：

一些事情。

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

您正在使用RandomForestClassifier 解决回归问题，这不是您想要的。请改用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。由于您有 80,000 行，因此可能只需要一段时间。定义模型时，将它们定义为

logreg = LogisticRegression(verbose=1)

和

rf = RandomForestRegressor(verbose=1)

如果模型正在运行，它们将打印出它们的进度，以便您查看发生了什么。

【讨论】：