import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import classification_report
from sklearn.metrics import mean_squared_error,explained_variance_score
from sklearn.ensemble import AdaBoostRegressor
from sklearn import datasets
from sklearn.utils import shuffle
import matplotlib.pyplot as plt
#导入数据
housing_data = datasets.load_boston()
#打乱数据顺序
X, y = shuffle(housing_data.data, housing_data.target, random_state = 7)
#划分数据集,80%数据用于训练,20%数据用于测试
num_training = int(len(X)*0.8)
X_train, X_test = X[:num_training], X[num_training:]
y_train, y_test = y[:num_training], y[num_training:]
#拟合一个决策树回归模型
dt_regressor = DecisionTreeRegressor(max_depth=4) #选择一个最大深度为4的决策树
dt_regressor.fit(X_train, y_train)
#带AdaBoost算法的决策树回归模型进行拟合
ab_regressor = AdaBoostRegressor(DecisionTreeRegressor(max_depth=4),n_estimators=400,random_state=7)
ab_regressor.fit(X_train, y_train)
#评价决策树回归器训
机器学习-估算房屋价格
最新推荐文章于 2024-08-21 14:19:27 发布
该博客介绍了如何运用机器学习中的AdaBoost算法来提高决策树回归模型预测房屋价格的准确性。通过训练和测试数据,比较了单一决策树与AdaBoost集成后的效果,结果显示AdaBoost能显著降低均方差并提高解释方差得分,从而增强模型的预测能力。同时,展示了决策树和AdaBoost中各特征的重要性。
摘要由CSDN通过智能技术生成