python 消息框输出多个参数_使用Python使用一个（或多个）参数进行多重输出回归或分类器...

考虑到您提到的真实世界的例子，我建议您将输入视为一个价格范围，而不仅仅是一个价格，在这种情况下，功能可以组合在一起以对应于特定的价格范围。在

所以你可以从对数据集进行聚类并根据房价形成聚类开始，Mean-Shift聚类算法也会建议数据中可以形成的聚类数量。在

然后，您可以确定每个集群的最低和最高房价，然后您可以获得数字数据和大多数分类数据(用于预测房价的特征)的平均值，并指出这些预测值对应于这个价格范围。在

映射完成后，我们可以看到输入对应于价格范围的哪个集群，然后获得与上述相同的聚合参数。在

代码：import pandas as pd

df = pd.read_csv('housing.csv')

df.drop(['longitude','latitude'], axis=1, inplace=True)

X_train = df['median_house_value']

X_train.head()

import numpy as np

X_train = np.array(X_train)

X_train = np.reshape(X_train,(-1,1))

from sklearn.cluster import MeanShift, estimate_bandwidth

ms = MeanShift(bandwidth=None, bin_seeding=True)

ms.fit(X_train)

labels = ms.labels_

cluster_centers = ms.cluster_centers_

labels_unique = np.unique(labels)

n_clusters_ = len(labels_unique)

print("number of estimated clusters : %d" % n_clusters_)

print(labels)

df['cluster'] = labels

df1 = df[df['cluster'] == 1]

df2 = df[df['cluster'] == 0]

ranges = []

ranges.append([min(df1['median_house_value']),max(df1['median_house_value'])])

ranges.append([min(df2['median_house_value']),max(df2['median_house_value'])])

df1_categorical = 'ocean_proximity'

df1_categorical_set = df1[df1_categorical]

df1 = df1.drop(df1_categorical, axis=1)

df2_categorical_set = df2[df1_categorical]

df2 = df2.drop(df1_categorical, axis=1)

df1_feature = []

for i in df1.columns :

df1_feature.append(np.mean(df1[i]))

df2_feature = []

for i in df1.columns :

df2_feature.append(np.mean(df2[i]))

print ("Range : ",ranges[0],"\nFeatures : ",df1_feature,'\n',"Range : ",ranges[1],"\nFeatures : ", df2_feature)

如果您现在打印df1_特性和df2_特性，您将获得两个集群范围的平均特征值(如列表范围中所附，您也可以打印该值)，因此任何价格范围为第一个的房子都将df1_特性作为理想的功能集，df2_特性也是如此。在

如果您想要更多的价格范围，您可以使用k均值来指定集群的数量