分别用普通线性回归、岭回归、Lasso回归对boston房价进行预测,比较效果
2017-12-12 21:52
716 查看
1.导入模块
2.获取训练数据
3.确定机器学习模型
4.训练数据
5.预测数据
6.绘制图像
7.比较各个模型准确度评分
import numpy as np import pandas as pd from pandas import Series,DataFrame #机器学习的普通线性模型、岭回归模型、lasso模型 from sklearn.linear_model import LinearRegression,Ridge,Lasso #模型效果评估 from sklearn.metrics import r2_score #导入机器学习相关的数据集 import sklearn.datasets as datasets
2.获取训练数据
#从datasets模块中导入boston房价数据 boston = datasets.load_boston() data = boston.data target=boston.target #训练数据 X_train = data[:480] Y_train = target[:480] #测试数据 x_test = data[480:] y_true = target[480:]
3.确定机器学习模型
line = LinearRegression() ridge = Ridge() lasso = Lasso()
4.训练数据
line.fit(X_train,Y_train) ridge.fit(X_train,Y_train) lasso.fit(X_train,Y_train)
5.预测数据
line_y_pre=line.predict(x_test) ridge_y_pre=ridge.predict(x_test) lasso_y_pre=lasso.predict(x_test)
6.绘制图像
plt.plot(y_true,label='True') plt.plot(line_y_pre,label='Line') plt.plot(ridge_y_pre,label='Ridge') plt.plot(lasso_y_pre,label='Lasso') plt.legend()
7.比较各个模型准确度评分
line_score=r2_score(y_true,line_y_pre) ridge_score=r2_score(y_true,ridge_y_pre) lasso_score=r2_score(y_true,lasso_y_pre) display(line_score,ridge_score,lasso_score)
相关文章推荐
- 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)
- 分别使用普通线性回归、岭回归、lasso回归预测鲍鱼年龄
- 利用回归树对Boston房价进行预测,并对结果进行评估
- 机器学习之普通线性回归、岭回归与lasso回归比较
- 分别用6种回归方法对波士顿房价进行预测
- 用lasso回归进行房价预测
- 用sklearn和tensorflow做boston房价的回归计算的比较(2)--卷积神经网路CNN
- 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
- 使用线性回归模型LinearRegression和SGDRegression分别对美国波士地区房价进行预测
- 分别用5种分类算法对约会网站匹配效果进行改进,比较评分
- 集成模型(回归)对Boston数据进行训练并对数据做出预测
- 【线性回归】波斯顿房价预测
- 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
- 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
- 【自然语言处理入门】03:利用线性回归对数据集进行分析预测(上)
- 【自然语言处理入门】03:利用线性回归对数据集进行分析预测(下)
- 机器学习·一元线性回归之房价预测(MATLAB版)
- 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
- 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