python线性回归预测波士顿房价_机器学习入门之机器学习之路: python 线性回归LinearRegression, 随机参数回归SGDRegressor 预测波士顿房价...

本文主要向大家介绍了机器学习入门之机器学习之路: python 线性回归LinearRegression, 随机参数回归SGDRegressor 预测波士顿房价，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

python3学习使用api

线性回归，和 随机参数回归

git: https://github.com/linyi0604/MachineLearning

1 from sklearn.datasets import load_boston

2 from sklearn.cross_validation import train_test_split

3 from sklearn.preprocessing import StandardScaler

4 from sklearn.linear_model import LinearRegression, SGDRegressor

5 from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error

6 import numpy as np

7

8 # 1 准备数据

9 # 读取波士顿地区房价信息

10 boston = load_boston()

11 # 查看数据描述

12 # print(boston.DESCR)   # 共506条波士顿地区房价信息，每条13项数值特征描述和目标房价

13 # 查看数据的差异情况

14 # print("最大房价：", np.max(boston.target))   # 50

15 # print("最小房价：",np.min(boston.target))    # 5

16 # print("平均房价：", np.mean(boston.target))   # 22.532806324110677

17

18 x = boston.data

19 y = boston.target

20

21 # 2 分割训练数据和测试数据

22 # 随机采样25%作为测试 75%作为训练

23 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25, random_state=33)

24

25

26 # 3 训练数据和测试数据进行标准化处理

27 ss_x = StandardScaler()

28 x_train = ss_x.fit_transform(x_train)

29 x_test = ss_x.transform(x_test)

30

31 ss_y = StandardScaler()

32 y_train = ss_y.fit_transform(y_train.reshape(-1, 1))

33 y_test = ss_y.transform(y_test.reshape(-1, 1))

34

35 # 4 使用两种线性回归模型进行训练和预测

36 # 初始化LinearRegression线性回归模型

37 lr = LinearRegression()

38 # 训练

39 lr.fit(x_train, y_train)

40 # 预测 保存预测结果

41 lr_y_predict = lr.predict(x_test)

42

43 # 初始化SGDRRegressor随机梯度回归模型

44 sgdr = SGDRegressor()

45 # 训练

46 sgdr.fit(x_train, y_train)

47 # 预测 保存预测结果

48 sgdr_y_predict = sgdr.predict(x_test)

49

50 # 5 模型评估

51 # 对Linear模型评估

52 lr_score = lr.score(x_test, y_test)

53 print("Linear的默认评估值为：", lr_score)

54 lr_R_squared = r2_score(y_test, lr_y_predict)

55 print("Linear的R_squared值为：", lr_R_squared)

56 lr_mse = mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(lr_y_predict))

57 print("Linear的均方误差为:", lr_mse)

58 lr_mae = mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(lr_y_predict))

59 print("Linear的平均绝对误差为:", lr_mae)

60

61 # 对SGD模型评估

62 sgdr_score = sgdr.score(x_test, y_test)

63 print("SGD的默认评估值为：", sgdr_score)

64 sgdr_R_squared = r2_score(y_test, sgdr_y_predict)

65 print("SGD的R_squared值为：", sgdr_R_squared)

66 sgdr_mse = mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict))

67 print("SGD的均方误差为:", sgdr_mse)

68 sgdr_mae = mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict))

69 print("SGD的平均绝对误差为:", sgdr_mae)

70

71 ‘‘‘

72 Linear的默认评估值为： 0.6763403830998702

73 Linear的R_squared值为： 0.6763403830998701

74 Linear的均方误差为: 25.09698569206773

75 Linear的平均绝对误差为: 3.5261239963985433

76

77 SGD的默认评估值为： 0.659795654161198

78 SGD的R_squared值为： 0.659795654161198

79 SGD的均方误差为: 26.379885392159494

80 SGD的平均绝对误差为: 3.5094445431026413

81 ‘‘‘

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！