Boston波士顿房价数据下载

最新推荐文章于 2025-02-12 13:15:09 发布

不染pigpig

最新推荐文章于 2025-02-12 13:15:09 发布

阅读量1.1w

点赞数 3

分类专栏： TF2.0学习文章标签： java python 开发语言

本文链接：https://blog.csdn.net/weixin_47464737/article/details/121367261

版权

TF2.0学习专栏收录该内容

2 篇文章

订阅专栏

该博客展示了如何使用Python的Scikit-Learn库进行Lasso回归分析，以预测波士顿房价。首先从UCI机器学习库下载并加载数据，然后通过StandardScaler进行预处理。接着，利用Lasso回归模型训练数据，并打印出模型系数以解释特征对目标变量的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data

打开方式：直接用excel可以打开，转存为csv等
在这里插入图片描述
模型训练

from sklearn.linear_model import Lasso
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_boston
 
boston = load_boston()
scaler = StandardScaler()

X = scaler.fit_transform(boston["data"])
print('X',X)
Y = boston["target"]
print('Y', Y)
names = boston["feature_names"]
print('names',names)

在这里插入图片描述
LASSO惩罚回归

from sklearn.linear_model import Lasso
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_boston
import numpy as np

#输出线性方程的辅助函数
def pretty_print_linear(coefs, names = None, sort = False):
	if names is None:
		names = ["X%s" % x for x in range(len(coefs))]
	lst = zip(coefs, names)
	if sort:
		lst = sorted(lst,  key = lambda x:-np.abs(x[0]))
	return " + ".join("%s * %s" % (np.round(coef, 3), name) for coef, name in lst)
boston = load_boston()
scaler = StandardScaler()
X = scaler.fit_transform(boston["data"])
Y = boston["target"]
names = boston["feature_names"]

lasso = Lasso(alpha=.3)
lasso.fit(X, Y)

print("lasso model:", pretty_print_linear(lasso.coef_, names, sort = True))