boston = datasets.load_boston()
data_name = boston['feature_names']
data_1 = boston['data'][:5]
train = boston.data # 样本
# print(train.shape[0]) #输出为506
target = boston.target # 标签
# print(target.shape[0]) #输出为506
# 切割数据样本集合测试集
X_train, x_test, y_train, y_true = train_test_split(train, target, test_size=0.2)
#参数:所要划分的样本特征集;所要划分的样本结果;
#20%测试集;80%训练集
#波士顿房价预测----Lasso
from sklearn.linear_model import Lasso # 线性回归算法Lasso回归,可用作特征筛选
# 模型训练
lasso = Lasso() #实例化lasso模型
lasso.fit(X_train, y_train) # 模型训练
# 预测数据
y_pre_lasso = lasso.predict(x_test)
#R^2 score,即决定系数,反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式:R^2=1-\frac{SSE}{SST}
lasso_score = r2_score(y_true, y_pre_lasso)
print('w = ', lasso.coef_) # w值
print('b &#
房价预测(20%测试集;80%训练集)
于 2022-10-16 23:12:29 首次发布
该博客利用Python的sklearn库进行波士顿房价预测,通过Lasso、Ridge和线性回归模型进行训练和测试。将数据划分为80%的训练集和20%的测试集,分别计算并比较了三种模型的决定系数R^2得分,并用图形展示预测结果。
摘要由CSDN通过智能技术生成