机器学习：波士顿房价预测

最新推荐文章于 2025-03-16 15:00:02 发布

CSBLOG

最新推荐文章于 2025-03-16 15:00:02 发布

阅读量1.2k

点赞数 21

分类专栏： AI 文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/CSBLOG/article/details/142977686

版权

一、数据预处理

1. 读取数据

2. 将数据集`data`分为特征集 `X` 和标签集 `y`

"""
    1. 读取数据
"""
import pandas as pd

# 加载本地数据文件
data = pd.read_csv("波士顿房价数据集.csv")

# 将数据集data分为特征集X和标签集y
X = data.drop(columns=["target"]).to_numpy()
y = data["target"].to_numpy()

为什么要这么操作？

模型训练的需求：

大多数机器学习算法需要明确区分输入特征（X）和输出标签（y）。特征集X包含了用于预测或分类的输入信息，而标签集y是算法需要预测或解释的目标。

算法使用特征集X中的信息来学习如何预测标签集y中的值。这种区分使得算法能够明确知道哪些数据是用来做预测的，哪些数据是需要被预测的。

数据结构的清晰性：

将数据集分为特征集和标签集可以提高代码的可读性和可维护性。这种结构清晰地表明了哪些变量是输入，哪些变量是输出。

这也有助于在后续的数据处理、特征工程和模型评估步骤中保持数据的一致性。

性能优化：

在某些情况下，将数据集分为特征集和标签集可以优化内存使用和计算性能。例如，在训练模型时，可以只加载特征集到内存中，而标签集可以在需要时单独加载。

这在处理大型数据集时尤其重要，因为加载整个数据集到内存中可能会消耗大量资源。

便于模型评估：

在模型训练完成后，需要使用一个独立的测试集来评估模型的性能。通过将数据集分为特征集和标签集，可以更容易地创建这样的测试集。

测试集的特征集用于输入到模型中，而标签集则用于与模型的预测结果进行比较，从而评估模型的准确性。

符合机器学习惯例：