ML之RF&DT:利用RF(RFR)、DT(DTR)两种算法实现对boston(波士顿房价)数据集进行训练并预测
2019-01-19 12:56
1016 查看
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_41185868/article/details/86551134
ML之RF&DT:利用RF(RFR)、DT(DTR)两种算法实现对boston(波士顿房价)数据集进行训练并预测
输出结果
1、两种算法的预测结果
2、回归树的可视化
实现代码
[code]boston_house = load_boston() boston_feature_name = boston_house.feature_names boston_features = boston_house.data boston_target = boston_house.target print('boston_feature_name','\n',boston_feature_name) print('boston_features[:5,:]','\n',boston_features[:5,:]) print('boston_target','\n',boston_target[:10]) RFR = RandomForestRegressor(n_estimators=15) RFR = RFR.fit(boston_features, boston_target) RFR_result=RFR.predict(boston_features) print('RFR_result','\n',RFR_result[:10])
相关文章推荐
- ML之LoR&Bagging&RF:依次利用LoR、Bagging、RF算法对泰坦尼克号数据集 (Kaggle经典案例)获救人员进行二分类预测(最全)
- ML之LoR&Bagging&RF:依次利用LoR、Bagging、RF算法对泰坦尼克号数据集 (Kaggle经典案例)获救人员进行二分类预测——优化baseline模型
- ML之LoR&Bagging&RF:依次利用Bagging、RF算法对泰坦尼克号数据集 (Kaggle经典案例)获救人员进行二分类预测——模型融合
- 利用sklearn中的支持向量机回归模型(linear,poly,rbf三种核)对boston房价进行预测并作出评估
- TensorFlow Object Detection API教程——利用自己制作的数据集进行训练预测和测试
- 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
- 利用回归树对Boston房价进行预测,并对结果进行评估
- 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
- TF之NN之回归预测:利用NN算法(RelU)实现根据三个自变量预测一个因变量的回归问题
- 如何利用训练好的神经网络进行预测
- EL之Bagging:kaggle比赛之利用泰坦尼克号数据集建立Bagging模型对每个人进行获救是否预测
- Tensorflow学习教程------利用卷积神经网络对mnist数据集进行分类_训练模型
- Tensorflow学习教程------利用卷积神经网络对mnist数据集进行分类_利用训练好的模型进行分类
- TensorFlow 1.4利用Keras+Estimator API进行训练和预测
- 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
- TensorFlow实现人脸识别(5)-------利用训练好的模型实时进行人脸检测
- 数据结构与算法:单链表(利用万能指针实现对任意类型数据进行操作)
- 分别用6种回归方法对波士顿房价进行预测