机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

60

｜

第

2

章

现在你可以删除 income_cat 属性，将数据恢复原样了：

for

set_

in

(strat_train_set, strat_test_set):

set_.drop("income_cat", axis=1, inplace=True)

我们花了相当长的时间在测试集的生成上，理由很充分：这是机器学习项目中经常被忽

视但是却至关重要的一部分。并且，当讨论到交叉验证时，这里谈到的许多想法也对其

大有裨益。现在，是时候进入下一个阶段（数据探索）了。

2.4 从数据探索和可视化中获得洞见

到现在为止，我们还只是在快速浏览数据，从而对手头上正在处理的数据类型形成一个

大致的了解。本阶段的目标是再深入一点。

首先，把测试集放在一边，你能探索的只有训练集。此外，如果训练集非常庞大，你可

以抽样一个探索集，这样后面的操作更简单快捷一些。不过我们这个案例的数据集非常

小，完全可以直接在整个训练集上操作。让我们先创建一个副本，这样可以随便尝试而

不损害训练集：

housing = strat_train_set.copy()

2.4.1 将地理数据可视化

由于存在地理位置信息（经度和纬度），因此建立一个各区域的分布图以便于可视化数据

是一个很好的想法（见图 2-11）：

housing.plot(kind="scatter", x="longitude", y="latitude")

纬度

经度

图 2-11：数据的地理散点图

端到端的机器学习项目

｜

61

没错，这除了看起来跟加州一样以外，很难再看出任何其他的模式 ...