【數據分析】汽車銷售預測
資料源:kaggle
的目的是從中提取有價值的資訊，為市場分析、業務決策及預測模型的開發提供支持。該資料集資料如下:
車輛詳細資訊：包括每輛車的具體信息，例如其製造商、型號、裝飾和製造年份。
交易資訊：提供有關銷售交易的見解，包括銷售價格和銷售日期。
市場趨勢：MMR 值提供每輛車市場價值的估計，可以分析市場趨勢和波動。
狀況和里程：包含車輛狀況及其里程表讀數的數據，可以分析這些因素如何影響銷售價格。
其中，價格預測是分析的重要一環，因為準確的價格預測不僅能提升經銷商的市場競爭力，還有助於優化庫存管理、支持買賣決策，並輔助貸款與保險業務的發展。同時，預測價格能揭示市場波動趨勢，幫助行業參與者制定更有效的定價策略，實現營收增長。
價格預測
step1 資料前處理暨建立基線版本
1.從kaggle載入資料集
2.缺失值填補
- 填補方式:
- 缺失值較多的欄位依照比例進行填補
- 缺失值較少的直接以眾數來填補
3.建立baseline1
- 使用'year', 'condition', 'odometer', 'mmr'等4個特徵來建立baseline1
- 由於以上4個特徵對sellingprice並非皆呈現線性關係，因此模型選擇Logistic Regression來進行評估，結果如下
MAS:
MSE 是預測值與實際值之間差值的平方的平均值。其單位與目標變量（sellingprice）的平方單位一致。
MSE數值較大，表明預測值與實際值之間仍有一定的誤差。可能是價格範圍的落差大所造成
MSE 標準差較小表示模型在不同的交叉驗證中誤差分布較穩定
R²:
R² 分數接近 1，總變異中有95%可被自變數解釋，擬合效果良好。
R² 的標準差很小，說明模型在交叉驗證的不同折中的性能非常穩定，表現一致。
step2 資料探索
- 由於MSE值非常大，表示可能被離群值所影響，因此先檢查離群值
1. Year (年份)
分佈情況：年份的中位數在 2010 年左右，且大部分資料集中在 2000 年以後。
異常值：1985-1995 年份附近有一些異常值，可能代表較舊的車輛數據。
2. Condition (條件/狀態)
分佈情況：值介於 0 到 50 之間，分佈比較均勻，中位數約在 30 左右。
異常值：這裡似乎沒有顯著的異常值。
3. Odometer (里程數)
分佈情況：絕大多數數據集中在 0 至約 20 萬公里範圍內，但長鬚線顯示有較大的擴展範圍。
異常值：一些極高的值（超過 40 萬公里）被視為異常值，可能需要進一步檢查是否合理或是否為數據錯誤。
4. MMR (市場價格)
分佈情況：大部分數據集中在 0 至約 25,000 的範圍內，分佈高度偏右。
異常值：有不少數據超過 100,000，甚至接近 175,000，這些可能是高端車輛或不合理的數據。
- z score是一種使用標準化尺度來衡量每個資料值與平均數之差距的方法，以下用圖表來表示sellingprice的分數分布狀態
標準差超過5的佔全部的1453，約為0.26%
我們嘗試將標準差超過5的資料移除，看是否能降低MSE值
- 查看condition和sellingprice之間的關係
可以觀察到1~5之間和10~50之間分別都呈正相關
因此推測1~5的評分可以對應到10~50
所以這裡把1~5分都乘以10，得到以下結果
- 計算其平均數和眾數
step3特徵工程
在這個部分我們將會使用既有的特徵來建立新特徵，讓預測結果更接近實際值
- 車齡
資料集中有生產年份跟銷售日期兩個欄位，從中可以得知車輛出售時的車齡，對於價格來說車齡可能會比上述兩個欄位更具有影響性
車齡(car_age)跟sellingprice的關係圖如下
step4模型訓練
- 加入新特徵，評估準確度
使用Logistic Regression 模型，特徵選擇'year', 'condition', 'odometer', 'mmr', 'car_age'，再次進行交叉驗證以評估準確度，得到結果如下
可以觀察到MSE略為下降，但R²也下降一些，表示先前的資料處理和新特徵的加入對於Logistic Regression來說，提升有限
- 使用其他模型進行訓練
分別使用RandomForest和xgboost進行訓練，得到的結果如下
可以觀察到兩者的MSE有顯著的提升，擬合也相當良好
Random Forest: 簡單易用，抗過擬合能力強，對異常值不敏感。但由於RF是多棵決策樹組成，每棵樹在訓練過程中是獨立構建的，並且每棵樹都需要消耗記憶體，由於資料量較多，因此會RF較不適合此資料集
XGBoost: 通過梯度提升算法（Gradient Boosting）逐步減少預測誤差，通常比RF更準確，且每次僅存儲當前樹的結果，減少了記憶體的需求。雖然調參較複雜且對極端值較為敏感，但考量到硬體效能，因此選擇XGBoost來進行參數的優化
step5超參數優化
針對XGBoost進行超參數優化，並且用以下4個指標來評估結果
MSE: 用於測量模型的預測值與真實值之間的偏離程度
RMSE: 為MSE的根號，使它與原始數據的單位一致，更容易解釋
MAE: 用於測量預測值與真實值之間的平均差異
R²: 衡量模型解釋變異的比例
- 評估交叉驗證的結果
- MSE:
模型預測誤差的平方平均值，對異常值敏感，因此在此資料集中會有較大偏差 - RMSE:
RMSE 約為1,400，表示模型在驗證集上的預測值平均與實際售價相差約1400元, 模型的誤差僅佔平均售價的10%左右，屬於合理範圍 - MAE:
預測誤差的絕對值平均，對異常值的敏感性較低，因平均誤差約落在930，偏差較小 - R²:
R score值接近0.975，這意味著模型可以解釋約 97.5%，未解釋的變異可能來自於隨機誤差或特徵不足。
- 測試集驗證結果
模型的穩定性:
測試集的R²與驗證集非常接近，說明模型在未見過的數據上表現穩定。 測試集和驗證集的
MSE差異很小，顯示模型在不同數據集上的誤差表現一致，表明模型具有良好的泛化能力。
驗證集和測試集的RMSE非常接近，顯示模型在未見數據上的表現穩定
MAE 的值相對 RMSE 更低，表明模型對於大多數數據的預測偏差較小
應用表現:
驗證集和測試集的指標接近，說明模型具備良好的解釋能力
平均誤差(MAE)在1,000 元左右，約佔sellingprice平均值的7.3%，若對於±1,000的偏差可以接受，則此模型已可直接應用
