使用了随机森林回归、梯度提升回归以及极端随机森林回归对租房租金预测-CSDN博客

本文链接：https://blog.csdn.net/qq_31537341/article/details/134667879

使用了随机森林回归、梯度提升回归以及极端随机森林回归对租房租金预测

采用多种回归算法对小区的租房租金进行预测

数据集

在这里插入图片描述

导入算法包

#导入机器学习相关的包
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor

在这里插入图片描述

标题数据清洗

在这里插入图片描述

调用机器学习算法预测

#3 训练数据和测试数据进行标准化处理
ss_x = StandardScaler()
X_train = ss_x.fit_transform(X_train)
X_test = ss_x.transform(X_test)

# 4 三种集成回归模型进行训练和预测
# 随机森林回归
rfr = RandomForestRegressor()
# 训练
rfr.fit(X_train, Y_train)
# 预测 保存预测结果
rfr_y_predict = rfr.predict(X_test)

# 极端随机森林回归
etr = ExtraTreesRegressor()
# 训练
etr.fit(X_train, Y_train)
# 预测 保存预测结果
etr_y_predict = rfr.predict(X_test)

# 梯度提升回归
gbr = GradientBoostingRegressor()
# 训练
gbr.fit(X_train, Y_train)
# 预测 保存预测结果
gbr_y_predict = gbr.predict(X_test)

Y_test = test['月租金']
#衡量模型拟合度的一个量，是一个比例式，比例区间为[0,1],越接近1，表示模型拟合度越高
print("随机森林回归的R_squared值为：", r2_score(Y_test, rfr_y_predict))
print("极端随机森林回归的R_squared值为：", r2_score(Y_test, etr_y_predict))
print("梯度提升回归回归的R_squared值为：", r2_score(Y_test, gbr_y_predict))

在这里插入图片描述有需要指导的请联系