浅谈机器学习案例：预测波士顿房价

利用岭回归来预测波士顿房价，浅谈一下对于机器学习的理解

利用sklearn 加载数据集

from sklearn.datasets import load_boston
boston = load_boston()

导入

from sklearn.model_selection import train_test_split

利用 train_test_split 将数据集划分为  训练集和测试集

train_feature, test_feature, train_target, test_target = train_test_split(boston.data, boston.target) 

注意train_tets_split传入的参数，是数据集的特征值和目标值

对于接收变量的含义：

train_feature：训练集的特征值

test_feature：测试集的特征值

train_target：训练集的目标值

test_traget：测试集的目标值

导入

from sklearn.preprocessing import StandardScaler

利用StandardScaler 对特征值进行标准化处理

实例化一个转换器

stand = StandardScaler()

对特征值进行转换

train_feature = stand.fit_transform(train_feature)
test_feature = stand.fit_transform(test_feature)

注意：转换器转换的一定是特征值。

导入 

from sklearn.linear_model import Ridge  # 这里利用的是岭回归进行模型训练

实例化模型

estimator = Ridge()

模型训练 

estimator.fit(train_feature, train_target)

注意：模型训练传入参数 一定要是训练集的特征值，和训练集的目标值。

打印预测值

print("预测值是:", estimator.predict(test_feature))

注意：predict传入参数是测试集的的特征值

打印准确率

print("准确率是:", estimator.score(test_feature, test_traget))

注意：score传入参数是测试集的特征值，和测试集的目标值