机器学习 | 小练习：波斯顿房价预测分析

本文借助Kaggle平台提供的Boston HousePrice数据集，演示了构建机器学习模型的一般性流程，具体涵盖以下多个步骤：

• 数据收集
• 数据预处理
• 数据的初步分析与探索
• 特征构造与优化
• 模型构建与训练
• 多模型融合策略

目标变量（即房价）经过对数变换处理后，其分布形态更接近正态分布。最终在12种候选模型中筛选出表现优异的6种模型，包括Lasso、Ridge、SVR、KernelRidge、ElasticNet以及BayesianRidge，并分别采用加权平均法和Stacking方法进行集成。研究结果显示，Stacking集成方法的效果更为突出。创新点在于将Stacking集成后的结果重新纳入原始训练数据集之中，再次对Stacking模型进行训练，从而进一步提升了模型的整体性能。该优化后的模型作为最终预测工具提交至Kaggle平台后取得了较为理想的表现。然而由于训练时间有限，超参数的搜索范围较小，因此仍存在一定的改进空间。

数据获取

Kaggle平台公开了丰富的机器学习相关数据资源，本研究从中选取了Boston HousePrice数据集，具体下载链接为https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data，下载后的数据集包括