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
2017-09-12 22:00
1091 查看
from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25, random_state=33)#25%数据用于测试,75%数据用于训练 from sklearn.preprocessing import StandardScaler ss_x = StandardScaler() ss_y = StandardScaler() 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)) from sklearn.ensemble import RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor rfr = RandomForestRegressor() rfr.fit(x_train, y_train.ravel()) rfr_y_predict = rfr.predict(x_test) etr = ExtraTreesRegressor() etr.fit(x_train, y_train.ravel()) etr_y_predict = etr.predict(x_test) gbr = GradientBoostingRegressor() gbr.fit(x_train, y_train.ravel()) gbr_y_predict = gbr.predict(x_test) from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error print('The R-squared value of RandomForestRegressor is', rfr.score(x_test, y_test)) print('The mean_squared_error of RandomForestRegressor is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(rfr_y_predict))) print('The mean_absolute_error of RandomForestRegressor is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(rfr_y_predict))) print('\nThe R-squared value of ExtraTreesRegressor is', etr.score(x_test, y_test)) print('The mean_squared_error of ExtraTreesRegressor is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(etr_y_predict))) print('The mean_absolute_error of ExtraTreesRegressor is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(etr_y_predict))) print('\nThe R-squared value of GradientBoostingRegressor is', gbr.score(x_test, y_test)) print('The mean_squared_error of GradientBoostingRegressor is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(gbr_y_predict))) print('The mean_absolute_error of GradientBoostingRegressor is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(gbr_y_predict)))
运行结果如下:
The R-squared value of RandomForestRegressor is 0.813955467991
The mean_squared_error of RandomForestRegressor is 14.4261338583
The mean_absolute_error of RandomForestRegressor is 2.49023622047
The R-squared value of ExtraTreesRegressor is 0.777675210793
The mean_squared_error of ExtraTreesRegressor is 17.2393519685
The mean_absolute_error of ExtraTreesRegressor is 2.63692913386
The R-squared value of GradientBoostingRegressor is 0.837081905694
The mean_squared_error of GradientBoostingRegressor is 12.6328799402
The mean_absolute_error of GradientBoostingRegressor is 2.27414776691
相关文章推荐
- 使用回归树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
- 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
- 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
- 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
- 简单数据预测—使用Python训练回归模型并进行预测(转自蓝鲸网站分析博客)
- K近邻回归模型对Boston房价进行预测,同时对性能进行评估(1.使用普通的算术平均法2.考虑距离差异进行加权平均)
- caffe学习笔记3:使用caffe对自己的图像数据进行训练和测试
- 集成模型(回归)对Boston数据进行训练并对数据做出预测
- 使用线性回归模型LinearRegression和SGDRegressor分别对美国波士顿地区房价进行预测
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- 深度学习文章5:使用caffe对自己的图像数据进行训练并测试
- 【神经网络与深度学习】Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-4应用生成模型进行预测
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测(tf.graph_util.convert_variables_to_constants函数)
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- 【caffe】使用自己的图像数据训练lenet并用opencv进行预测
- 【深度学习】【caffe实用工具4】笔记26 windows下使用Caffe中的源代码进行【训练】和【预测】
- tensorflow保存网络参数 使用训练好的网络参数进行数据的预测
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)【转】