阿里云機器學習平臺采用拖拉算法組件拼接實驗的操作方式，先來看下整個實驗流程：
我們把整個實驗拆解成四個部分，分別是數(shù)據(jù)導入及預處理、統(tǒng)計分析、隨機森林預測及分析、邏輯回歸預測及分析。下面我們分別介紹一下這四個模塊的邏輯。
1.數(shù)據(jù)導入及預處理
（1）數(shù)據(jù)導入：在“數(shù)據(jù)源”中選擇“新建表”，可以把本地txt文件上傳。數(shù)據(jù)導入后查看：
（2）數(shù)據(jù)預處理：通過類型轉(zhuǎn)換把string型的數(shù)據(jù)轉(zhuǎn)double。把pm2這一列作為目標列，數(shù)值超過200的情況作為重度霧霾天氣打標為1，低于200標為0，實現(xiàn)的SQL語句如下：
select time,hour,(case when pm2>200 then 1 else 0 end),pm10,so2,co,no2 from ${t1};
（3）歸一化
歸一化主要是去除量綱的作用，把不同指標的污染物單位統(tǒng)一。
統(tǒng)計分析
我們在統(tǒng)計分析的模塊用了兩個組件：
（1）直方圖：通過直方圖可以可視化的查看不同數(shù)據(jù)在不同區(qū)間下的分布。通過這組數(shù)據(jù)的可視化展現(xiàn)，我們可以了解到每一個字段數(shù)據(jù)的分布情況，以PM2.5為例，數(shù)值區(qū)間出現(xiàn)最多的是11.74~15.61，一共出現(xiàn)了430次。
（2）數(shù)據(jù)視圖：通過數(shù)據(jù)視圖可以查看不同指標的不同區(qū)間對于結(jié)果的影響。
以二氧化氮為例，在112.33~113.9這個區(qū)間產(chǎn)生了7個目標列為0的目標，產(chǎn)生了9個目標列為1的目標。也就是說當二氧化氮為112.33~113.9區(qū)間的情況下，出現(xiàn)重度霧霾的天氣的概率是非常大的。熵和基尼系數(shù)是表示這個特征區(qū)間對于目標值的影響，數(shù)值越大影響越大，這個是從信息量層面的影響。
3.隨機森林預測及分析
本案其實是采用了兩種不同的算法對于結(jié)果進行預測，我們先來看看隨機森林這一分支。我們通過將數(shù)據(jù)集拆分，百分之八十的數(shù)據(jù)訓練模型，百分之二十的數(shù)據(jù)預測。最終模型的呈現(xiàn)可以可視化的顯示出來，在左邊模型菜單下查看，隨機森林是樹狀模型。
通過這個模型預測結(jié)果的準確率：
我們看到AUC是0.99，也就是說如果我們有了本文用到的天氣指標數(shù)據(jù)，就可以預測天氣是否霧霾，而且準確率可以達到百分之九十以上。
4.邏輯回歸預測及分析
再來看下邏輯回歸這一分支的預測模型，邏輯回歸是線性模型：
模型預測準確率：
邏輯回歸的AUC為0.98，比用隨機森林計算得到的結(jié)果略低一點。如果排除調(diào)參對于結(jié)果的影響因素，可以說明針對這個數(shù)據(jù)集，隨機森林的訓練效果會更好一點。
結(jié)果評估
上面介紹了如何通過搭建實驗來搭建針對PM2.5的預測流程，準確率達到百分之九十以上。下面我們來分析一下哪種空氣指標對于PM2.5影響最大，首先來看下邏輯回歸的生成模型：
因為經(jīng)過歸一化計算的邏輯回歸算法有這樣的特點，模型系數(shù)越大表示對于結(jié)果的影響越大，系數(shù)符號為正號表示正相關(guān)，負號表示負相關(guān)。我們看一下正號系數(shù)里pm10和二氧化氮最大。pm10和pm2只是顆粒尺寸大小不同，是一個包含關(guān)系，這里不考慮。剩下的二氧化氮對于pm2.5的影響最大。我們只要查閱一下相關(guān)文檔，了解下哪些因素會造成二氧化氮的大量排放即可找出影響pm2.5的主要因素。
以下是網(wǎng)上是找到的關(guān)于二氧化氮排放的論述,文中說明了二氧化氮主要來自電廠和汽車尾氣：《減少二氧化氮與氨或是抑制中國霧霾形成的關(guān)鍵》
