PM2.5这个锅背的值吗？数据科学家建模给你论证下

空气质量究竟是不是变差了？

当看到诸如“我们都在等待第一批死在北京的人”等一些耸人听闻的新闻标题时，我真的很想知道，近年来北京的空气质量到底是有所改善还是逐步恶化？

过去三年北京空气质量

网上众说纷纭，无图无真相。拿到2013年12月1日到2017年2月的逐日空气质量及污染物指标后，让我们plot一下：

（A）下图记录了从2013年12月到2017年2月的空气质量历史记录：每根柱子代表一个月；颜色越深，空气质量越差；绿色部分越多，空气质量越佳。

（B）再来看看PM2.5的变化趋势：

怎么样？慧眼如你，一定对近年的空气质量变化有所了解了吧（最起码，没有恶化呢）。

出门之前看实时空气质量报告已经成为常态。在报告中，通常会给出今日的空气质量等级、PM2.5浓度、PM10浓度、二氧化硫浓度等等一系列指标。但为什么我们对PM2.5而不是其他指标的关注最甚？

数字化世界，离不开算法和数据建模的支持。我们的数据科学家团队又出场了，这次用建模的方式来验证，PM2.5这个锅到底背的值不值?

下面我们将通过随机森林来对空气质量等级进行分类(所用的变量有PM2.5、PM10、CO、NO2、SO2、风速、大气相对湿度等十几个污染物和气象指标)，并在这一过程中发掘对空气质量影响最大的指标。

先简单介绍下随机森林吧。

Q：为啥叫随机“森林”呢？

A：因为聚树成森林嘛：很多颗决策树打包组团，就成了森林。

Q：为啥叫“随机”森林呢？

A：这个解释起来就复杂些了，分两个方面：

①数据的随机选取：从原始的数据集中有放回抽样构造子数据集，利用子数据集来构建子决策树；森林中的每一棵决策树都会针对新数据做一次“决策”，最后通过投票表决出最终的结果。

②特征的随机选取：与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。这样能够使得随机森林中的决策树都能够彼此不同，提升系统的多样性，从而提升分类性能；通过这一过程也能综合衡量不同变量的重要性。

随机森林中的一棵决策树长这个样子：

(它是怎么长出来的？请参考之前介绍决策树的文章：《每逢春节被逼婚？来看看数据科学家的相亲指南》)

那么，“随机森林，你能告诉我哪个指标对空气质量的影响最大？”

平均精度下降（MeanDecreaseAccuracy）

平均Gini下降（MeanDecreaseGini）

这两个指标通过衡量各变量对模型预测准确度和Gini系数影响的大小，来判定变量重要程度，两个指标均是越大越好。

显然，右上角的变量（PM2.5）重要程度大于左下角。

PM2.5对空气质量的影响程度（或相关程度）最大，其次是PM10和NO2（二氧化氮）。因此我们可以说，PM2.5浓度与当日空气质量等级最为相关，可能是空气污染的主要元凶。

不同预警等级下的空气质量

最后，我们来看看中央气象台发布雾霾预警（分三级：黄色预警-橙色预警-红色预警）的情况。

冬季的确是雾霾的高发期哈，每年冬天都会“凸凸”一下。这个图再次说明，虽然现在的空气质量还谈不上好转，但显然没有变得更糟。

PM2.5

Vis

发布红色预警时，PM2.5平均浓度约为正常天气的6倍······

只要发布雾霾预警（不论是黄色、橙色、红色），能见度（Vis）水平几乎都是立马“趴下”，雾蒙蒙看不清······

我们年轻的数据科学家自己都禁不住感叹：天哪，以后一定要提醒妈妈关注空气质量预警预报。

最后来个互动

你知道周几的PM2.5平均浓度最高吗？从中我们能得到什么启示？

作者：百分点张腾
168大数据经授权发布，如需转载请务必获得授权。