python svr回归_机器学习入门之机器学习之路：python支持向量机回归SVR 预测波士顿地区房价...

本文主要向大家介绍了机器学习入门之机器学习之路：python支持向量机回归SVR  预测波士顿地区房价，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。

支持向量机的两种核函数模型进行预测

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

from sklearn.datasets import load_boston

from sklearn.cross_validation import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.svm import SVR

from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error

import numpy as np

# 1 准备数据

# 读取波士顿地区房价信息

boston = load_boston()

# 查看数据描述

# 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

# 查看数据的差异情况

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

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

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

x = boston.data

y = boston.target

# 2 分割训练数据和测试数据

# 随机采样25%作为测试 75%作为训练

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

# 3 训练数据和测试数据进行标准化处理

ss_x = StandardScaler()

x_train = ss_x.fit_transform(x_train)

x_test = ss_x.transform(x_test)

ss_y = StandardScaler()

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

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

# 4.1 支持向量机模型进行学习和预测

# 线性核函数配置支持向量机

linear_svr = SVR(kernel="linear")

# 训练

linear_svr.fit(x_train, y_train)

# 预测 保存预测结果

linear_svr_y_predict = linear_svr.predict(x_test)

# 多项式核函数配置支持向量机

poly_svr = SVR(kernel="poly")

# 训练

poly_svr.fit(x_train, y_train)

# 预测 保存预测结果

poly_svr_y_predict = linear_svr.predict(x_test)

# 5 模型评估

# 线性核函数 模型评估

print("线性核函数支持向量机的默认评估值为：", linear_svr.score(x_test, y_test))

print("线性核函数支持向量机的R_squared值为：", r2_score(y_test, linear_svr_y_predict))

print("线性核函数支持向量机的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),

ss_y.inverse_transform(linear_svr_y_predict)))

print("线性核函数支持向量机的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),

ss_y.inverse_transform(linear_svr_y_predict)))

# 对多项式核函数模型评估

print("对多项式核函数的默认评估值为：", poly_svr.score(x_test, y_test))

print("对多项式核函数的R_squared值为：", r2_score(y_test, poly_svr_y_predict))

print("对多项式核函数的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),

ss_y.inverse_transform(poly_svr_y_predict)))

print("对多项式核函数的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),

ss_y.inverse_transform(poly_svr_y_predict)))

‘‘‘

线性核函数支持向量机的默认评估值为： 0.651717097429608

线性核函数支持向量机的R_squared值为： 0.651717097429608

线性核函数支持向量机的均方误差为: 27.0063071393243

线性核函数支持向量机的平均绝对误差为: 3.426672916872753

对多项式核函数的默认评估值为： 0.40445405800289286

对多项式核函数的R_squared值为： 0.651717097429608

对多项式核函数的均方误差为: 27.0063071393243

对多项式核函数的平均绝对误差为: 3.426672916872753

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！