使用三种不同的核函数（回归）对Boston房价进行预测，同时对测试数据做出预测

最新推荐文章于 2024-06-29 14:53:50 发布
最新推荐文章于 2024-06-29 14:53:50 发布
阅读量3.9k 收藏 12
点赞数 1
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014727529/article/details/78410085
版权
该博客通过加载Boston房价数据集，利用支持向量机（SVR）进行回归预测，分别采用线性、多项式和径向基函数（RBF）核函数进行模型训练，并对测试数据进行预测，通过R²得分、均方误差和绝对平均误差评估模型性能。
摘要由CSDN通过智能技术生成
from sklearn.datasets import load_boston
from sklearn.svm import SVR
from sklearn.cross_validation import train_test_split
from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error
from sklearn.preprocessing import StandardScaler
#导入数据
boston = load_boston()
#查看数据信息
print(boston.DESCR)
X = boston.data
y = boston.target 
#对数据进行分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25,random_state=33)
ss_X = StandardScaler()
ss_y =StandardScaler()
#分别对训练和测试数据的特征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)
y_test = ss_y.transform(y_test)
#使用三种不同的核函数配置的支持向量机回归模型进行训练，并对测试数据进行预测
#1.采用线性核函数配置的支持向量机进行回归训练
linear_svr =  SVR(kernel='linear')
最低0.47元/天 解锁文章
459817216
关注
专栏目录
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
Invictus_Y的博客
09-16 3575
对美国波士顿地区房价数据进行预处理# 从sklearn.datasets导入波士顿房价数据读取器 from sklearn.datasets import load_boston # 从读取房价数据存储在变量boston中 boston = load_boston() # 输出数据描述 print boston.DESCR# 从sklearn.model导入数据分割器 from sklearn.mo
波士顿房屋价格预测
06-02
这是一个波士顿房屋价格预测，包含了我做的作答，仅供参考
回归模型与房价预测
weixin_30585437的博客
12-06 391
from sklearn.datasets import load_boston boston = load_boston() boston.keys() print(boston.DESCR) boston.data.shape boston.feature_names import pandas as pd df = pd.DataFrame(boston.d...
【数据可视化-07】波士顿房价预测数据分析
最新发布
2402_83361138的博客
06-29 1126
通过本次波士顿房价预测项目，我们深入探索了数据可视化在房价预测中的应用。通过绘制散点图、相关性矩阵、箱线图、直方图和密度图等多种可视化图表，我们成功地揭示了房价与各特征之间的关系及趋势。同时，我们也发现了数据中存在的一些异常值和潜在问题，并提出了相应的处理建议。在模型训练方面，我们选择了合适的预测模型，并通过调整模型参数和优化算法来提高模型的预测性能。最终，我们得到了一个具有较高预测精度的房价预测模型，可以为房地产市场的投资者和决策者提供有价值的参考信息。
使用SVM预测波士顿房价
leva的博客
07-17 5133
手机问题，其他行业的人，以为程序员们，什么都会， 程序员中，女程序员以为男程序员，什么都会， 男程序员中，一般程序员以为技术好的程序员，什么都会， 技术好的程序员，每次都在网上苦苦找答案。。。。。。 工程代码完整已上传：使用SVM预测波士顿房价 import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt import pandas as pd import warnings import sklearn from
Pytorch神经网络预测boston数据集房价
Huangxin_Yu的博客
11-26 1375
import torch.nn as nn import numpy as np import torch #数据加载 from sklearn.datasets import load_boston data = load_boston() x =data['data'] y = data['target'] #print(y) y = y.reshape(-1,1) #数据规范化 from sklearn.preprocessing import MinMaxScaler mm_scale =
预测波士顿房价
01-08
在这个项目中，你将利用马萨诸塞州波士顿郊区的房屋信息数据训练和测试一个模型，并对模型的性能和预测能力进行测试。通过该数据训练后的好的模型可以被用来对房屋做特定预测—尤其是对房屋的价值。对于房地产经纪等人的日常工作来说，这样的预测模型被证明非常有价值。
支持向量机SVM③——通过4种核函数进行波斯顿房价回归预测
cindy407的博客
07-02 6895
文章目录： 导入库和数据 数据预处理 模型训练和评估 一、导入库和数据 本文采用dataset自带的Boston房价数据集，进行回归预测 # 导入库 from sklearn.datasets import load_boston from sklearn.preprocessing import StandardScaler from sklearn.model_selection import...
基于BP神经网络的数据回归预测Python代码 使用excel数据集 numpy实现
08-03
使用BP神经网络对Boston房价数据集进行回归预测，并使用matplotlib绘制测试结果预测结果和真实值之间的对比。数据集为execl形式，可以替换为自己的数据集。运行 `dp_nn.py` 脚本来加载数据、训练神经网络，进行预测...
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
不凡De老五
12-12 6885
用普通线性回归、岭回归、Lasso回归模型进行预测，并评估各中模型的效果
房价预测的BP神经网络实现_python代码
08-29
波士顿房价预测的BP神经网络实现 1) 训练数据 housing.csv 使用波士顿房价数据 2) 使用Python代码实现前向和后向传播 3) 损失函数使用方差
不同的核函数对支持向量机分类性能的影响
weixin_43827767的博客
10-08 2149
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、使用步骤画图显示 前言 关于理论部分，参看其他书本，这里演示支持向量机在非线性数据集上不可分，经过核函数变换后变成线性可分。 一、使用步骤 画图显示 代码如下（示例）： from sklearn.svm import SVC import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import make_circles from
【机器学习】核函数的理解与常见核函数
敲代码的quant的博客
10-24 6828
在一个二维空间中，具有特征空间X和特征空间Y，当其中一个点（x, y）在这个二维平面中，如果想把它映射高维空间中，那么就需要用到核函数。 关于核函数的定义是：设XXX是输入空间，YYY是特征空间。如果存在一个从XXX到YYY的映射ϕ(x):X−>Y\phi(x):X -> Yϕ(x):X−>Y，使得对于所有的向量v1,v2∈Xv_{1}, v_{2} \in Xv1​,v2​∈X...
常见核函数
m0_37870385的博客
05-25 3323
这篇博文开始的例子就很好地揭示了核函数的简单原理，写得很好！原地址：https://blog.csdn.net/zkq_1986/article/details/524482381 核函数K（kernel function）定义核函数K（kernel function）就是指K(x, y) = <...
核函数逻辑回归和SVR
dongyu_1989的博客
10-24 2393
两个问题： （1）利用soft的svm的w去求逻辑回归模型。 （2）逻辑回归模型总使用核函数支持。
机器学习之支持向量回归（SVR）预测房价—基于python
热门推荐
qq_45856698的博客
04-01 1万+
本期使用爬取到的有关房价数据集data.csv，使用支持向量回归（SVR）方法预测房价。该数据集中“y1”为响应变量，为房屋总价，而x1-x9为特征变量，依次表示房屋的卧室数量、客厅数量、面积、装修情况、有无电梯、、房屋所在楼层位置、有无地铁、关注度、看房次数共计9项。数据集data.csv可在文末获取。
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
一起学习机器学习第一章
10-30 1961
from sklearn.datasets import load_boston from sklearn.cross_validation import train_test_split import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.linear_model import
python进行线性回归的例子-sklearn+python:线性回归案例
weixin_39637179的博客
11-11 579
使用一阶线性方程预测波士顿房价载入的数据是随sklearn一起发布的，来自boston 1993年之前收集的506个房屋的数据和价格。load_boston()用于载入数据。from sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_splitimport timefrom sklea...
用python设计一个MLP用来对boston房产数据集中的房价进行回归预测
03-28
以下是一个使用Python设计的多层感知器（MLP）来对波士顿房产数据集中的房价进行回归预测的示例代码： ``` python # 导入所需的库 import numpy as np from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from keras.models import Sequential from keras.layers import Dense # 加载波士顿房产数据集 boston = load_boston() # 分割数据集 X_train, X_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42) # 标准化数据 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) # 建立模型 model = Sequential() model.add(Dense(13, input_dim=13, activation='relu')) model.add(Dense(6, activation='relu')) model.add(Dense(1)) # 编译模型 model.compile(loss='mean_squared_error', optimizer='adam') # 训练模型 model.fit(X_train, y_train, epochs=100, batch_size=10, verbose=1) # 评估模型 mse = model.evaluate(X_test, y_test) print('Mean Squared Error: ', mse) # 预测测试集 y_pred = model.predict(X_test) # 显示预测结果 for i in range(10): print('True Value: ', y_test[i], 'Predicted Value: ', y_pred[i][0]) ``` 这段代码中，我们首先加载波士顿房产数据集，然后将其划分为训练集和测试集。接下来，我们使用StandardScaler对数据进行标准化，以便更好地训练模型。然后，我们建立一个包含两个隐藏层的MLP模型，其中第一个隐藏层包含13个神经元，第二个隐藏层包含6个神经元。最后，我们使用mean_squared_error作为损失函数，使用adam优化器编译模型，并使用fit方法训练模型。模型训练完成后，我们评估模型的性能，并使用predict方法预测测试集上的房价。最后，我们显示前10个预测结果，以便比较预测值和真实值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值