使用sklearn预测波士顿房价
2018-09-11 10:42
239 查看
1.加载数据集 并切分
[code]from sklearn.datasets import load_boston boston = load_boston() from sklearn.cross_validation import train_test_split import numpy as np x_train,x_test,y_train,y_test = train_test_split(x,y,random_state=33,test_size=0.25)
2.数据预处理
[code]#分析一下数值的差异 print('最大值',np.max(boston.target)) print('最大值',np.min(boston.target)) print('均值',np.mean(boston.target)) #对数据进行预处理 预处理模块 StandardScaler fit() 模型训练 transform fit_transform #标准化处理 from sklearn.preprocessing import ss_x=StandardScaler() ss_y=StandardScaler() #分别对训练集合测试集 及特征值进行标准化处理 # x_train=ss_x.fit_transform(x_train) x_test = ss_x.transform(x_test) #将标签数据转换为 m行1列 y_train = np.array(y_train).reshape(-1,1) y_train = ss_y.fit_transform(y_train) y_test = np.array(y_test).reshape(-1,1) y_test = ss_y.transform(y_test)
3.建模预测
[code]rom sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(x_train,y_train) lr_predict_value = lr.predict(x_test) print(y_test[:10]) print(lr_predict_value[:10])
4.评分
[code]print('各列权重',lr.coef_) print('训练集上的评分',lr.score(x_train,y_train)) print('测试集上的评分',lr.score(x_test,y_test))
阅读更多
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
- 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neurolab预测波士顿房价
- 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sklearn进行数据挖掘-房价预测(4)—数据预处理
- 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SGDRegressor分别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
- 使用逻辑回归预测波士顿房价
- 梯度下降法实现线性回归, 实例---预测波士顿房价
- 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
- 使用python+sklearn的决策树方法预测是否有信用风险
- 优达(Udacity)波士顿预测房价
- 分别用6种回归方法对波士顿房价进行预测
- 使用带AdaBoost的决策树分类器预测房价
- p1项目,预测波士顿房价
- 利用sklearn做房价预测
- sklearn-5 LinearRegression预测房价
- 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)
- Tensorflow:深度神经网络DNN预测波士顿房价(boston house price)【二】