機器學習_學習筆記系列(12)：多重特徵(Multi-Features)和讀熱編碼(One-Hot Encoding)
到目前為止，我們碰到的回歸和分類問題，都只有一兩個輸入值作為特徵，像是平面二元分類，只用到x1和x2資料，回歸問題只用到一個數入值x而已。那我們今天處理的是多重特徵(multi-features)呢？，像是在辨識動物一樣，我們可能要知道，這個動物的身長、腳長、頭的大小、和體型大小和有沒有翅膀之類的。
而且如果我們今天碰到的特徵只有文字表示怎麼分類呢？像是預測台北房價，我們拿到的資料，可能包括，信義區、大安區、中山區、中正區等等，這些東西該怎麼用數字來量化呢？而在解決這方面的問題，我們叫做
特徵工程(feature engineering)。
而今天我們要做的就是來「預測台北預售屋的房價！」我們希望我們能做到的就是輸入對應的資料，如區域、坪數大小、衛浴房間幾間等，我們的模型就能告訴我，這間房子的房價大概多少。
我們的資料來自政府資料開放平台的非本期發布之實價批次資料[1]，裡面含各季實價登錄的資料，而我們的資料選用107年總共四季的資料。
而我們打開每筆資料後，我們可以看到解壓縮檔裡面有各縣市的檔案，而我們要取的是每個資料夾裡面檔名為「a_lvr_land_b」的csv檔，意思就是台北市預售屋的資料集。
接著我們拿到資料後對其做資料前處理，把我們不會用到的資料移除，並把四季的資料合併在一起。
接著我們先從比較好處理的開始，把裡面為數字的資料，像是土地移轉總面積、建物移轉總面積、房數、廳數、衛浴數、總價，做normalize。
接下來就是處理比較複雜的部份。就是針對我們文字的地方，如鄉鎮市區、使用分區、建材等資料進行量化，那這些文字到底要怎麼量化呢？這裡我們需要用到的就是「讀熱編碼(One-Hot Encoding)」
One-Hot Encoding
對於讀熱編碼法，我們以鄉鎮市區為例子，我們可以看到這個欄位有各種不同的區，如信義區、大同區、中山區等等，而我們的作法就是把每個區域，全部挑出來，分別成立一個欄位，然後像是第一個欄，為信義區，我們就把所有資料裡面出現過信義區的行數，在信義區這個欄位標示為1，其他標示為0，接著下一個區域為中山區，我們用一樣的方法，創造一個中山區的欄為，然後資料裡面出現過中山區的位置標示為1，其他保留為0。 依此類推。最後我們做出來的表格長這樣。
然後對於其他的欄位像是，「都市土地使用分區」、「建物型態」、「主要用途」，我們都用一樣的方法去進行資料處理。而對於「主要建材」和「隔間」，因為欄位項目只有兩種，所以我們創建一個欄位就好。最後我們將所有處理後的資料整合成一個表
接著就是進入我們模型分析的步驟，這裡我們運用線性回歸分析，最後出來的結果為
這裡我們以標準化過的真實房價為x軸，經過模型計算出的預測房價為y軸，我們可以看到，當房價比較偏向平均值時，我們的預測結果就比較接近真實結果，但是當房價變高後，我們可以看到其就開始偏離我們的模型。
而我們更進一步，把各欄位的權重化顯示出來。
我們可以看到權重比較大的欄位有，大安區、松山區、隔間、建物移轉面積。對於隔間和移轉面積這個不難理解，其的確會大大影響房價，而大安區和松山區也不難理解，這裡的房價真的在台北市是非常貴……。
Python Sample Code:
Github:
Reference:
[1] 非本期發布之實價批次資料 | 政府資料開放平臺 (data.gov.tw)
***本系列完全沒有開任何營利***
作者：劉智皓
linkedin: CHIH-HAO LIU
