from sklearn.datasets import load_boston from sklearn.linear_model import LinearRegression, SGDRegressor from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.metrics import mean_squared_error from sklearn.linear_model import Ridge import joblib def mylinear(): """ 线性回归直接预测房子的价格 :return: None """ #获取数据 lb = load_boston() #分割数据集到训练集和测试集 x_train, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25) print(y_train, y_test) #进行标准化处理 目标值是否需要进行标准化处理? #特征值和目标值都需要进行标准化处理 实例化两个标准化API std_x = StandardScaler() x_train = std_x.fit_transform(x_train) x_test = std_x.transform(x_test) #目标值 标准化 std_y = StandardScaler() y_train = std_y.fit_transform(y_train.reshape(-1, 1)) y_test = std_y.transform(y_test.reshape(-1, 1)) #预测房价结果 model = joblib.load("./
线性回归预测房子价格(正规方程、梯度下降、岭回归)
最新推荐文章于 2024-04-25 16:13:15 发布
该博客介绍了如何使用线性回归模型预测波士顿地区房价,包括使用正规方程、随机梯度下降和岭回归三种方法。通过sklearn库加载数据,进行数据预处理,将数据集划分为训练集和测试集,并进行标准化处理。然后分别训练模型,获取预测结果,并计算均方误差评估模型性能。
摘要由CSDN通过智能技术生成