KNN回归——Boston房价预测数据集

最新推荐文章于 2024-06-15 23:34:39 发布

zyang00

最新推荐文章于 2024-06-15 23:34:39 发布

阅读量350

点赞数 1

文章标签：回归数据挖掘人工智能

本文链接：https://blog.csdn.net/zyang00/article/details/133861822

版权

本文介绍了使用KNN回归算法在BostonHousing数据集上的实践，包括数据预处理（删除缺失值、归一化），通过GridSearchCV进行超参数搜索（如n_neighbors、weights和p的选择），以及模型的训练、预测和性能评估。

摘要由CSDN通过智能技术生成

KNN回归实践

import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
import pandas as pd

由于从外部下载的数据集中含有NaN，因此我们选择把这些行删掉

boston = pd.read_csv('boston_housing_data.csv')
boston = boston.dropna()

将最后一列单独拿出来作为y

X = boston.iloc[:, :13]
y = boston.iloc[:, -1]

划分数据集（训练集与测试集）

x_train, x_test, y_train, y_test = train_test_split(X, y, train_size=0.8, random_state=233)

将数据归一化

standardScalar = StandardScaler()
standardScalar.fit(x_train)
x_train = standardScalar.transform(x_train)
x_test = standardScalar.transform(x_test)

超参数搜索

params = {
    'n_neighbors':[n for n in range(1, 20)],
    'weights':['uniform', 'distance'],
    'p':[p for p in range(1, 7)]
}
grid1 = GridSearchCV(
    estimator=KNeighborsRegressor(),
    param_grid=params,
    n_jobs=-1
)

训练模型