(공공)서울시 따릉이 자전거 이용 예측 AI모델
데이터 분석 과 머신러닝을 처음 접하시는 분들
혹은 데이콘 대회를 연습으로 경험해보고 싶으신 분들은
해당 대회를 통해 각 날짜의 1시간 전의 기상상황을 활용 하여 따릉이 대여수를 예측해 보세요.
데이터 셋: 서울시 따릉이 데이터
Load Data
train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')
print(train.info())
'''
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1459 entries, 0 to 1458
Data columns (total 11 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id 1459 non-null int64
1 hour 1459 non-null int64
2 hour_bef_temperature 1457 non-null float64
3 hour_bef_precipitation 1457 non-null float64
4 hour_bef_windspeed 1450 non-null float64
5 hour_bef_humidity 1457 non-null float64
6 hour_bef_visibility 1457 non-null float64
7 hour_bef_ozone 1383 non-null float64
8 hour_bef_pm10 1369 non-null float64
9 hour_bef_pm2.5 1342 non-null float64
10 count 1459 non-null float64
'''
EDA
print(train.head())
'''
id hour hour_bef_temperature hour_bef_precipitation ... hour_bef_ozone hour_bef_pm10 hour_bef_pm2.5 count
0 3 20 16.3 1.0 ... 0.027 76.0 33.0 49.0
1 6 13 20.1 0.0 ... 0.042 73.0 40.0 159.0
2 7 6 13.9 0.0 ... 0.033 32.0 19.0 26.0
3 8 23 8.1 0.0 ... 0.040 75.0 64.0 57.0
4 9 18 29.5 0.0 ... 0.057 27.0 11.0 431.0
'''
시간별 평균 따릉이 사용량
train_group = train.groupby('hour').mean()
plt.plot(train_group['count'], 'o-')
plt.grid()
plt.title('count by hour')
plt.xlabel('hour')
plt.ylabel('count')
plt.axvline(8, color='r')
plt.axvline(18, color='r')
- 출/퇴근 시간에 사용량 증가 (8시, 18시)
변수간의 상관계수
import seaborn as sns
plt.figure(figsize=(9,9))
sns.heatmap(train.corr(), annot=True)
plt.show()
count와hour,hour_bef_temperature,hour_bef_windspeed,hour_bef_ozone상관계수가 비교적 높음
컬럼별 결측치 개수 확인
hour,hour_bef_temperature,hour_bef_windspeed,hour_bef_ozone네 가지 변수로만 학습
train_X = train[['hour', 'hour_bef_temperature', 'hour_bef_windspeed', 'hour_bef_ozone', 'hour_bef_humidity']]
train_y = train[['count']]
print(train_X.isnull().sum())
'''
hour 0
hour_bef_temperature 2
hour_bef_windspeed 9
hour_bef_ozone 76
dtype: int64
'''
Pre Processing
- train 데이터의 결측치는 train 데이터 평균 값으로 대체
- test 데이터는 실제로는 알 수 없는 값이기 때문에 train 데이터의 평균 값으로 대체
print(train_X.isnull().sum())
train_X['hour_bef_temperature'].fillna(train_X['hour_bef_temperature'].mean(), inplace=True)
train_X['hour_bef_windspeed'].fillna(train_X['hour_bef_windspeed'].mean(), inplace=True)
train_X['hour_bef_ozone'].fillna(train_X['hour_bef_ozone'].mean(), inplace=True)
test_X = test[['hour', 'hour_bef_temperature', 'hour_bef_windspeed', 'hour_bef_ozone']] # train과 동일
print(test_X.isnull().sum())
test_X['hour_bef_temperature'].fillna(train_X['hour_bef_temperature'].mean(), inplace=True)
test_X['hour_bef_windspeed'].fillna(train_X['hour_bef_windspeed'].mean(), inplace=True)
test_X['hour_bef_ozone'].fillna(train_X['hour_bef_ozone'].mean(), inplace=True)
Model training & Predict
model = RandomForestRegressor(n_estimators=50, random_state=0)
model.fit(train_X, train_y)
pred = model.predict(test_X) # predict
sub = pd.read_csv('submission.csv')
sub['count'] = pred
sub.to_csv('output.csv', index=False) # save to csv file
Result
score - 47.546691622.. hour_bef_humidity를 포함시키고 hour_bef_ozone`를 제외시켜 재학습
score - 44.759260241