波士顿房价预测python决策树_百度飞浆paddlepaddle之波士顿房价预测(二)

#波士顿房价预测

import paddle

import paddle.fluid as fluid

import numpy as np

import os

import matplotlib.pyplot as mp

#1.准备数据

#直接使用paddle提供的uci_housing训练集、测试集

BUF_SIZE=500

BATCH_SIZE=20

#训练数据集

r_train=paddle.dataset.uci_housing.train() #训练集

random_reader=paddle.reader.shuffle(r_train,buf_size=BUF_SIZE) #每500打乱一次

train_reader=paddle.batch(random_reader,batch_size=BATCH_SIZE) #将随机读取器交给批量读取器

#测试集

r_test=paddle.dataset.uci_housing.test() #测试集

random_tester=paddle.reader.shuffle(r_test,buf_size=BUF_SIZE)

test_reader=paddle.batch(random_tester,batch_size=BATCH_SIZE)

train_data=paddle.dataset.uci_housing.train()

# for simple_data in train_data():

# print(simple_data)

'''

其中的两行

(array([-0.0405441 ,

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
波士顿房价预测可以使用不同的决策树算法进行实现。其中,随机森林是一种典型的基于Bagging策略的算法,可以用于波士顿房价预测。随机森林通过集成多个决策树预测结果来得到最终的预测结果。 在Python的sklearn库中,可以使用RandomForestRegressor来实现随机森林回归模型。可以通过设置参数n_estimators来指定决策树的个数,默认为100。另外,可以通过设置criterion参数来选择误差计算方法,例如mse表示均方差,msa表示平均绝对误差。还可以设置max_depth参数来限制决策树的最大深度,以避免过拟合。通过调整这些参数,可以得到不同的预测效果。 另一种实现波士顿房价预测决策树算法是提升树,其中的一种典型算法是AdaBoost。AdaBoost使用基于决策树的学习器,每一次回归树生成时采用的是上一次预测结果与训练数据值之间的残差。通过迭代的方式,逐步减少残差,从而得到更准确的预测结果。在Python的sklearn库中,可以使用AdaBoostRegressor来实现基于决策树的提升树模型。可以通过设置base_estimator参数来选择基学习器,例如DecisionTreeRegressor,可以通过设置loss参数来选择损失函数,例如'square'表示平方误差。通过调整这些参数,可以得到不同的预测效果。 需要注意的是,在实际应用中,可以根据具体问题的特点和数据的情况选择合适的决策树算法,并通过调整参数来优化模型的预测效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值