【机器学习实战】美国波斯顿房价预测
2017-03-11 16:33
429 查看
一、读入数据及描述
#1.读入数据 from sklearn.datasets import load_boston #从读取的房价数据存储在boston变量中 boston=load_boston()
#输出数据描述 print(boston.DESCR)
二、数据分割及样本构建
#数据分割 from sklearn.cross_validation import train_test_split import numpy as np X=boston.data y=boston.target #随机擦痒25%的数据构建测试样本,剩余作为训练样本 X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=33,test_size=0.25)
三、分析目标值之间的差异
#分析回归目标值的差异 print("The max target value is",np.max(boston.target)) print("The min target value is",np.min(boston.target)) print("The average target value is",np.mean(boston.target))
#2.数据标准化处理 from sklearn.preprocessing import StandardScaler #分别初始化对特征和目标值的标准化器 ss_X=StandardScaler() ss_y=StandardScaler() #分别对训练和测试数据的特征以及目标值进行标准化处理 X_train=ss_X.fit_transform(X_train) X_test=ss_X.transform(X_test) y_train=ss_y.fit_transform(y_train.reshape(-1,1)) y_test=ss_y.transform(y_test.reshape(-1,1))
四、模型训练及评估
#使用线性回归模型LinearRegression和SGDRegressor分别对波士顿房价数据进行训练及预测 from sklearn.linear_model import LinearRegression lr=LinearRegression() #使用训练数据进行参数估计 lr.fit(X_train,y_train) #回归预测 lr_y_predict=lr.predict(X_test) #SGDRegressor from sklearn.linear_model import SGDRegressor #默认配置初始化线性回归器 sgdr=SGDRegressor() #使用训练数据进行参数估计 sgdr.fit(X_train,y_train) #对测试数据进行回归预测 sgdr_y_predict=sgdr.predict(X_test)
#模型评估 #使用LinearRegression模型自带的评估模块,并输出评估结果 print("lr_score:",lr.score(X_test,y_test)) #R-square,MSE,MAE评估LinearRegression回归性能 from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error #r2_score print("r2_score:",r2_score(y_test,lr_y_predict)) #MSE print("MSE:",mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(lr_y_predict))) #MAE print("MAE:",mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(lr_y_predict)))
#使用LinearRegression模型自带的评估模块,并输出评估结果 print("sgdr_score:",sgdr.score(X_test,y_test)) #R-square,MSE,MAE评估LinearRegression回归性能 from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error #r2_score print("r2_score:",r2_score(y_test,sgdr_y_predict)) #MSE print("MSE:",mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(sgdr_y_predict))) #MAE print("MAE:",mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(sgdr_y_predict)))
相关文章推荐
- 使用三种继承回归模型对美国波士顿房价训练数据进行学习,并对测试数据进行预测
- 如何利用机器学习预测房价?
- 【机器学习实战】决策树预测Titanic遇难者生还情况
- 机器学习实战1--预测链家租房价格
- 机器学习实战(8) ——预测数值型数据回归(python实现)
- 机器学习(2)-项目 1: 预测波士顿房价
- 机器学习实战--chapter 5 Logistic Regression(二)疝气预测马死亡
- 机器学习实战---线性回归提高篇之乐高玩具套件二手价预测
- 机器学习实战 - 读书笔记(08) - 预测数值型数据:回归
- 机器学习实战——预测数值型数据:回归
- kaggle实战之房价预测(一)
- 机器学习和数据挖掘3——预测波士顿房价
- 使用三种不同核函数配置的支持向量机(回归)模型对美国波士顿地区房价进行预测
- 从房价预测案例窥探机器学习
- 使用skflow内置的LR,DNN,Scikit-learn中的集成回归模型对“美国波士顿房价”进行预测
- 使用线性回归模型LinearRegression和SGDRegression分别对美国波士地区房价进行预测
- kaggle实战房价预测(二)
- 【机器学习实战三:Logistic回归之点的二分类和预测病马的死亡率】
- 使用两种不同配置的K近邻回归模型对美国波士顿房价数据进行回归预测
- 【线性回归】波斯顿房价预测