目录
一、模型的保存与加载
sklearn模型的加载与保存
API:
from sklearn.externals import joblib
保存与加载API
保存:joblib.dump(rf,‘test.pkl’)
加载:estimator = joblib.load(‘test.pkl’)
注意:文件格式为.pkl
# sklearn模型的保存与加载
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.externals import joblib
from sklearn.metrics import mean_squared_error
def mylinear():
'''
线性回归预测房子价格
:return:
'''
# 一、获得数据
lb = load_boston()
# 二、处理数据
# 1.取得数据集中特征值与目标值
x = lb.data
y = lb.target
# 2.分割数据集 训练集与测试集
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
# 三、进行特征工程
# 1.训练集与测试集标准化处理
# 特征值与目标值都必须进行标准化处理,实例化两个API,分别处理特征值与目标值
# 特征值
std_x = StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 目标值
std_y = StandardScaler()
# 要求传入的y_train是二维数组,后面也一样,用reshape(-1,1)方法转换
y_train = std_y.fit_transform(y_train.reshape(-1,1))
y_test = std_y.transform(y_test.reshape(-1,1))
# 四、
# 模型加载预测房价结果
model = joblib.load('test.pkl')
# 预测测试集房子价格
y_model_predict = std_y.inverse_transform(model.predict(x_test))
print('保存模型预测房价结果\n',y_model_predict)
# # 四、线性回归模型-estimator预测
#
# # 1.正规方程求解方式预测结果
# lr = LinearRegression()
# lr.fit(x_train, y_train)
# # 回归系数
# print('正规方程的回归系数为:\n',lr.coef_)
#
# # 保存训练好的模型
# joblib.dump(lr, 'test.pkl')
#
# # 预测测试集房子的价格,
# y_predict = std_y.inverse_transform(lr.predict(x_test))
# print('正规方程预测测试集房子的价格:\n',y_predict)
# # 回归性能评估
# y_test = std_y.inverse_transform(y_test)
# print('正规方程的回归性能评估为:',mean_squared_error(y_test, y_predict))
if __name__ == '__main__':
mylinear()
二、逻辑回归-分类算法
1.逻辑回归介绍
逻辑回归是解决二分类问题的利器
案例
1.广告点击率
2.判断用户的性别
3.预测用户是否会购买给定的商品类
4.判断一条评论是正面的还是负面的
逻辑回归的输入: