如果要人們評選當今最受關注話題的top10榜單，霧霾一定能夠入選。如今走在北京街頭，随處可見帶着厚厚口罩的人在埋頭前行，霧霾天氣不光影響了人們的出行和娛樂，對于人們的健康也有很大危害。本文通過爬取并分析北京一年來的真實天氣資料，挖掘出二氧化氮是跟霧霾天氣（這裡指的是PM2.5）相關性最強的污染物，進而為您揭秘形成霧霾的罪魁禍首。
這裡我們是用阿裡雲機器學習平台來完成實驗：
<a href="https://data.aliyun.com/product/learn?spm=a2c0j.7906235.header.11.I2EEKW">https://data.aliyun.com/product/learn</a>
登陸阿裡雲機器學習平台，即可在demo頁選擇實驗并且親手實作整個機器學習的預測分析，完全零門檻。
資料源：采集了2016全年的北京天氣名額。
采集的是從2016年1月1号以來每個小時的空氣名額，。具體字段如下表：
字段名
含義
類型
time
日期，精确到天
string
hour
表示的是時間，第幾小時的資料
pm2
pm2.5的名額
pm10
pm10的名額
so2
二氧化硫的名額
co
一氧化碳的名額
no2
二氧化氮的名額
阿裡雲機器學習平台采用拖拉算法元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，分别是資料導入及預處理、統計分析、随機森林預測及分析、邏輯回歸預測及分析。下面我們分别介紹一下這四個子產品的邏輯。
（1）資料導入
在“資料源”中選擇“建立表”，可以把本地txt檔案上傳。
資料導入後檢視：
（2）資料預處理
通過類型轉換把string型的資料轉double。把pm2這一列作為目标列，數值超過200的情況作為重度霧霾天氣打标為1，低于200标為0，實作的SQL語句如下。
（3）歸一化
歸一化主要是去除量綱的作用，把不同名額的污染物機關統一。
我們在統計分析的子產品用了兩個元件：
（1）直方圖
通過直方圖可以可視化的檢視不同資料在不同區間下的分布。通過這組資料的可視化展現，我們可以了解到每一個字段資料的分布情況，以PM2.5為例，數值區間出現最多的是11.74~15.61，一共出現了430次。
（2）資料視圖
通過資料視圖可以檢視不同名額的不同區間對于結果的影響。
以no2為例，在112.33~113.9這個區間産生了7個目标列為0的目标，産生了9個目标列為1的目标。也就是說當no2為112.33~113.9區間的情況下，出現重度霧霾的天氣的機率是非常大的。熵和基尼系數是表示這個特征區間對于目标值的影響，數值越大影響越大，這個是從資訊量層面的影響。
本案其實是采用了兩種不同的算法對于結果進行預測，我們先來看看随機森林這一分支。我們通過将資料集拆分，百分之八十的資料訓練模型，百分之二十的資料預測。最終模型的呈現可以可視化的顯示出來，在左邊模型菜單下檢視，随機森林是樹狀模型。
通過這個模型預測結果的準确率：
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名額資料，就可以預測天氣是否霧霾，而且準确率可以達到百分之九十以上。
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：
模型預測準确率：
邏輯回歸的AUC為0.98，比用随機森林計算得到的結果略低一點。如果排除調參對于結果的影響因素，可以說明針對這個資料集，随機森林的訓練效果會更好一點。
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，準确率達到百分之九十以上。下面我們來分析一下哪種空氣名額對于PM2.5影響最大，首先來看下邏輯回歸的生成模型：
因為經過歸一化計算的邏輯回歸算法有這樣的特點，模型系數越大表示對于結果的影響越大，系數符号為正号表示正相關，負号表示負相關。我們看一下正号系數裡pm10和no2最大。pm10和pm2隻是顆粒尺寸大小不同，是一個包含關系，這裡不考慮。剩下的no2(二氧化氮)對于pm2.5的影響最大。我們隻要查閱一下相關文檔，了解下哪些因素會造成no2的大量排放即可找出影響pm2.5的主要因素。