4、利用机器学习构建寻找低价公寓应用指南

利用机器学习构建寻找低价公寓应用指南

1. 机器学习模型部署与环境搭建

当决定将机器学习模型投入生产时，有多种选择，这很大程度上取决于应用的性质。部署方式可以从在本地机器上运行的定时任务到部署在 Amazon EC2 实例上的全面实施。

搭建机器学习环境时，涉及众多库，如果逐个安装会比较繁琐。虽然大多数库可以使用 Python 的包管理器 pip 安装，但建议使用预打包的解决方案，如 Anaconda Python 发行版（http://anaconda.org ）。它允许下载并安装一个包含所有包和依赖项的可执行文件，对于 Python 科学栈用户来说，基本上是一次性解决问题的方案。此外，Anaconda 还包含一个包管理器，更新包很简单，只需输入 conda update <package_name> 即可更新到最新的稳定版本。

2. 构建寻找低价公寓应用的背景

寻找公寓的过程既耗时又令人沮丧，即便找到心仪的公寓，也难以确定是否是最合适的选择。通常会有目标预算和目标位置，但还需要进行一些权衡。例如在纽约市，靠近地铁等便利设施是很大的优势，但这价值多少呢？是否要为了靠近地铁而放弃有电梯的大楼？步行几分钟到地铁才值得爬一段楼梯呢？机器学习可以帮助我们做出这类决策。接下来将围绕构建一个识别低价公寓的应用展开，具体内容包括：
- 公寓列表数据的获取
- 数据的检查与准备
- 数据的可视化
- 回归建模
- 预测

3. 公寓列表数据的获取

在 20 世纪 70 年代初，购买股票需要通过经纪人，支付近 1% 的固定佣金；购买机票需要