线性回归模型之 LinearRegression 和 SGDRegressor

用美国波士顿的房价数据来介绍如何使用LR和SGDR模型进行预测

 

# 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.cross_validation导入数据分割器。
from sklearn.cross_validation import train_test_split


# 导入numpy并重命名为np。
import numpy as np


X = boston.data
y = boston.target


# 随机采样25%的数据构建测试样本，其余作为训练样本。
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=33, test_size=0.25)


# 分析回归目标值的差异。
print( "The max target value is", np.max(boston.target))
print( "The min target value is", np.min(boston.target))
print( "The average target value is", np.mean(boston.target))

 

# 从sklearn.preprocessing导入数据标准化模块。
from sklearn.preprocessing import StandardScaler


# 分别初始化对特征和目标值的标准化器。
ss_X = StandardScaler()
ss_y = StandardScaler()


# 分别对训练和测试数据的特征以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)

 

# 从sklearn.linear_model导入LinearRegression。
from sklearn.linear_model import LinearRegression


# 使用默认配置初始化线性回归器LinearRegression。
lr = LinearRegression()
# 使用训练数据进行参数估计。
lr.fit(X_train, y_train)
# 对测试数据进行回归预测。
lr_y_predict = lr.predict(X_test)

 

# 从sklearn.linear_model导入SGDRegressor。
from sklearn.linear_model import SGDRegressor


# 使用默认配置初始化线性回归器SGDRegressor。
sgdr = SGDRegressor()
# 使用训练数据进行参数估计。
sgdr.fit(X_train, y_train)
# 对测试数据进行回归预测。
sgdr_y_predict = sgdr.predict(X_test)

 

# 使用LinearRegression模型自带的评估模块，并输出评估结果。
print ('The value of default measurement of LinearRegression is', lr.score(X_test, y_test))


# 从sklearn.metrics依次导入r2_score、mean_squared_error以及mean_absoluate_error用于回归性能的评估。
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error


# 使用r2_score模块，并输出评估结果。
print( 'The value of R-squared of LinearRegression is', r2_score(y_test, lr_y_predict))


# 使用mean_squared_error模块，并输出评估结果。
print( 'The mean squared error of LinearRegression is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(lr_y_predict)))


# 使用mean_absolute_error模块，并输出评估结果。
print( 'The mean absoluate error of LinearRegression is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(lr_y_predict)))

 

# 使用SGDRegressor模型自带的评估模块，并输出评估结果。
print( 'The value of default measurement of SGDRegressor is', sgdr.score(X_test, y_test))


# 使用r2_score模块，并输出评估结果。
print ('The value of R-squared of SGDRegressor is', r2_score(y_test, sgdr_y_predict))


# 使用mean_squared_error模块，并输出评估结果。
print( 'The mean squared error of SGDRegressor is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict)))


# 使用mean_absolute_error模块，并输出评估结果。
print( 'The mean absoluate error of SGDRegressor is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict))y