利用回归树对Boston房价进行预测，并对结果进行评估

最新推荐文章于 2024-07-23 13:00:29 发布

459817216

最新推荐文章于 2024-07-23 13:00:29 发布

阅读量4.3k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/u014727529/article/details/78422538

版权

本文通过回归树对Boston房价进行预测，并使用mean_squared_error和mean_absolute_error进行误差评估。讨论了回归树模型的优点，如处理非线性特征、无需特征标准化，以及直观的决策过程。同时指出其缺点，如模型复杂可能导致泛化力下降、稳定性差，以及构建最优树模型的计算难度。

摘要由CSDN通过智能技术生成

from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeRegressor

from sklearn.metrics import mean_squared_error,mean_absolute_error

'''注：回归树的叶节点的数据类型不是离散型，而是连续型，决策树每个叶节点依照训练数据表现的概率倾向决定最终的预测类别，而回归树叶节点是连续的，节点的值是‘一团数据’的均值'''

#导入数据

boston = load_boston()
#查看数据信息print(boston.DESCR)
X = boston.data
y = boston.target
#对数据进行分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25,random_state=33)
ss_X = StandardScaler()
ss_y =StandardScaler()
#分别对训练和测试数据的特征及目标值进行标准化处理
X_train = ss_X.fit_transform(X_train)
X_test = ss_X.transform(X_test)
y_train = ss_y.fit_transform(y_train)
y_test = ss_y.transform(y_test)
#使用默认的配置初始化DecisionTreeRegressor