Python实现线性回归

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

def mylinear():
    
    '''
    线性回归预测房子价格
    '''
    #获取数据
    lb=load_boston()
    
    #训练集测试集
    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
    #特征值和目标值都必须进行标准化处理，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)
    std_y=StandardScaler()
    y_train=std_y.fit_transform(y_train.reshape(-1,1))
    y_test=std_y.transform(y_test.reshape(-1,1))
    #estimator预测
    #正规方程求解方式预测结果
    lr=LinearRegression()
    lr.fit(x_train,y_train)
    print(lr.coef_)
    #预测测试机的房子价格
    y_lr_predict=std_y.inverse_transform(lr.predict(x_test))
    print("正规方程测试集每个房子的预测价格：",y_lr_predict)
    print("正规方程的均方误差：",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))
    
    #梯度下降进行房价预测
    sgd=SGDRegressor()
    sgd.fit(x_train,y_train)
    print(sgd.coef_)
    #预测测试机的房子价格
    y_sgd_predict=std_y.inverse_transform(sgd.predict(x_test))
    print("梯度下降测试集每个房子的预测价格：",y_sgd_predict)
    print("梯度下降的均方误差：",mean_squared_error(std_y.inverse_transform(y_test),y_sgd_predict))
    
    #岭回归进行房价预测
    rd=Ridge(alpha=1.0)
    rd.fit(x_train,y_train)
    print(rd.coef_)
    #预测测试机的房子价格
    y_rd_predict=std_y.inverse_transform(rd.predict(x_test))
    print("岭回归测试集每个房子的预测价格：",y_rd_predict)
    print("岭回归的均方误差：",mean_squared_error(std_y.inverse_transform(y_test),y_rd_predict))
    return None
    
if __name__=="__main__":
      mylinear()