财政收入影响因素分析及预测模型（四）

泰迪教育 2020-06-24

1070

本文为泰迪学院最新推出的数据挖掘实战专栏第三篇，本专栏将数据挖掘理论与项目案例实践相结合，可以让大家获得真实的数据挖掘学习与实践环境，更快、更好的学习数据挖掘知识与积累职业经验。

专栏中每四篇文章为一个完整的数据挖掘案例。案例介绍顺序为：先由数据案例背景提出挖掘目标，再阐述分析方法与过程，最后完成模型构建，在介绍建模过程中同时穿插操作训练，把相关的知识点嵌入相应的操作过程中。

为方便读者轻松地获取一个真实的实验环境，本专栏使用大家熟知的Python语言对样本数据进行处理以进行挖掘建模。

下面进入最终篇，上机实验及拓展思考～

实验目的

（1）掌握Lasso回归特征选择。

（2）构建灰色预测与神经网络预测模型。

实验内容

（1）对搜集的某市地方财政收入以及各类别收入数据，分析识别影响地方财政收入的关键属性，数据详见：test/data/data.csv。

（2）预测筛选出的关键影响因素的2014年、2015年的预测值。

（3）使用关键影响因素的2014年、2015年的预测值得到某市地方财政收入2014年、2015年的预测值。

实验方法与步骤

（1）将“data.csv”数据使用pandas库中的read_csv函数读入当前工作空间。

（2）使用scikit-learn中的Lasso函数对数据进行属性选择。

（3）使用GM(1,1)灰色预测方法得到筛选出的关键影响因素的2014年、2015年的预测值。

（4）使用支持向量回归模型对某市地方财政收入进行预测。

思考与实验总结

（1） Lasso回归如何设置合适的l值，在保证能够选取关键属性的前提下不过多的增加Lasso回归的复杂程度？

（2）在构建SVR预测模型前使用标准差标准化对数据进行标准化处理，如使用其他标准化处理方法对结果又会造成怎么样的影响？

拓展思考

MLP多层感知器（Multi-layerPerceptron）是一种前向结构的人工神经网络ANN，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元。使用BP反向传播算法的监督学习方法来训练MLP。MLP是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。

相对于单层感知器，MLP多层感知器输出端从一个变到了多个；输入端和输出端之间也不光只有一层，现在有两层：输出层和隐藏层，如图1-1所示。