一、线性模型
这个模型有两个模型参数:θ0和θ1
数据处理
import os
import urllib.request
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import sklearn.linear_model
datapath = os.path.join("datasets", "lifesat", "") # 设置数据存放目录
os.makedirs(datapath, exist_ok=True) # 创建目录,exist_ok=True表示目录存在也不抛出异常
DOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml2/master/"
# 下载“幸福指数”的数据和人均GDP的统计数据
for filename in ("oecd_bli_2015.csv", "gdp_per_capita.csv"):
url = DOWNLOAD_ROOT + "datasets/lifesat/" + filename
urllib.request.urlretrieve(url, datapath + filename)
# 加载数据
oecd_bli = pd.read_csv(datapath + "oecd_bli_2015.csv", thousands=',') # thousandsc参数是用来处理以“千分位分隔符”表示的数据的,将string类型的数据正确转为int型
gdp_per_capita = pd.read_csv(datapath + "gdp_per_capita.csv", thousands=',', delimiter='\t', encoding='latin1', na_values="n/a") # delimiter设置行与行之间的分隔符,na_values指定空值
# 对数据进行处理
def prepare_country_stats(oecd_bli, gdp_per_capita):
oecd_bli = oecd_bli[oecd_bli["INEQUALITY"]=="TOT"]
oecd_bli = oecd_bli.pivot(index="Country", columns="Indicator", values="Value")
gdp_per_capita.rename(columns={"2015": "GDP per capita"}, inplace=True)
gdp_per_capita.set_index("Country", inplace=True)
full_country_stats = pd.merge(left=oecd_bli, right=gdp_per_capita, left_index=True, right_index=True)
full_country_stats.sort_values(by="GDP per capita", inplace=True) # 按照人均GDP升序,inplace=True表示替换原来的数据
remove_indices = [0, 1, 6, 8, 33, 34, 35]
keep_indices = list(set(range(36)) - set(remove_indices)) # 保留的行索引
return full_country_stats[["GDP per capita", 'Life satisfaction']].iloc[keep_indices]
country_stats = prepare_country_stats(oecd_bli, gdp_per_capita)
X = np.c_[country_stats["GDP per capita"]] # X的类型是numpy.ndarray,country_stats["GDP per capita"]的类型是Series
y = np.c_[country_stats["Life satisfaction"]]
country_stats.plot(kind='scatter', x="GDP per capita", y='Life satisfaction')
plt.show()
观察一下我们拿到的country_stats
模型训练和预测
model = sklearn.linear_model.LinearRegression() # 选择一个线性模型
model.fit(X, y) # 训练模型
X_new = [[10434]] # 中国2021人均GDP
print(model.predict(X_new)) # 预测幸福感,结果为[[5.36552336]]
二、k-近邻回归模型(K-Nearest Neighbors, KNN)
给定测试样本,基于某种距离度量找出训练集中与其最靠近的 k 个训练样本,可以去算这些值的平均值作为预测结果,也可以基于距离远近求加权平均值。
import sklearn.neighbors
model = sklearn.neighbors.KNeighborsRegressor(n_neighbors=3)
model.fit(X,y)
model.predict(X_new) # 预测结果为[[5.5]]