线性回归之案例:波士顿房价预测
案例 预测 回归 线性 房价 波士顿
2023-09-11 14:15:15 时间
线性回归之案例:波士顿房价预测
- 数据介绍 【13个特征值,1个目标值】
给定的这些特征,是专家们得出的影响房价的结果属性。此阶段不需要自己去探究特征是否有用,只需要使用这些特征。到后面量化很多特征需要我们自己去寻找
1 分析
回归当中的数据大小不一致,是否会导致结果影响较大。所以需要做标准化处理。
- 数据分割与标准化处理
- 回归预测
- 线性回归的算法效果评估
2 回归性能评估
均方误差(Mean Squared Error)MSE)评价机制:
- sklearn.metrics.mean_squared_error(y_true, y_pred)
- 均方误差回归损失
- y_true:真实值
- y_pred:预测值
- return:浮点数结果
3 代码
示例代码1(线性回归:正规方程):
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LinearRegression, SGDRegressor
def linear_model1():
"""
线性回归:正规方程
:return:
"""
# 1.获取数据
data = load_boston()
# 2.数据集划分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征工程-标准化
transter = StandardScaler()
x_train = transter.fit_transform(x_train)
x_test = transter.fit_transform(x_test)
# 4.机器学习-线性回归(正规方程)
estimator = LinearRegression()
estimator.fit(x_train, y_train)
# 5.模型评估
# 5.1获取系数等值
y_predict = estimator.predict(x_test)
print("预测值为:\n", y_predict)
print("模型中的系数为:\n", estimator.coef_)
print("模型中的偏执为:\n", estimator.intercept_)
# 5.2评价
# 均方误差
error = mean_squared_error(y_test, y_predict)
print("误差为:\n", error)
linear_model1()
运行效果:
示例代码2(线性回归:梯度下降法):
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LinearRegression, SGDRegressor
def linear_model2():
"""
线性回归:梯度下降法
:return:
"""
# 1.获取数据
data = load_boston()
# 2.数据集划分
x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)
# 3.特征工程-标准化
transter = StandardScaler()
x_train = transter.fit_transform(x_train)
x_test = transter.fit_transform(x_test)
# 4.机器学习-线性回归(特征方程)
estimator = SGDRegressor(max_iter=1000)
estimator.fit(x_train, y_train)
# 5.模型评估
# 5.1获取系数等值
y_predict = estimator.predict(x_test)
print("预测值为:\n", y_predict)
print("模型中的系数为:\n", estimator.coef_)
print("模型中的偏执为:\n", estimator.intercept_)
# 5.2评价
# 均方误差
error = mean_squared_error(y_test, y_predict)
print("误差为:\n", error)
linear_model2()
运行结果: 【此方法每次运行的结果都会不一样】
我们也可以尝试去修改学习率
estimator = SGDRegressor(max_iter=1000,learning_rate="constant",eta0=0.1)
此时我们可以通过调参数,找到学习率效果更好的值。
再次运行结果:
【参数对结果的影响很大】
相关文章
- Servlet使用适配器模式进行增删改查案例(EmpDaoImpl.java)
- SAP UI5 FlexBox Layout 布局的概念和具体使用案例介绍试读版
- Android案例手册 - 定位点圆形水波纹和椭圆水波纹
- Cocos合成大西瓜案例-下
- CV之FR之FAN:FAN人脸对齐网络(Face Alignment depth Network)的论文简介、案例应用之详细攻略
- ML之yellowbrick:基于titanic泰坦尼克是否获救二分类预测数据集利用yellowbrick对LoR逻辑回归模型实现可解释性(阈值图)案例
- ML之interpret:基于titanic泰坦尼克是否获救二分类预测数据集利用interpret实现EBC模型可解释性之全局解释/局部解释案例
- ML之shap:基于adult人口普查收入二分类预测数据集(预测年收入是否超过50k)利用shap决策图结合LightGBM模型实现异常值检测案例之详细攻略
- ML之LoR&Bagging&RF:依次利用Bagging、RF算法对titanic(泰坦尼克号)数据集(Kaggle经典案例)获救人员进行二分类预测——模型融合
- Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
- AutoML之flaml:基于flaml框架对比lightgbm和xgboost模型进行自动化参数调优实现体内脂肪含量值回归预测案例之详细攻略
- ML之shap:基于boston波士顿房价回归预测数据集利用shap值对XGBoost模型实现可解释性案例
- ML之shap:基于boston波士顿房价回归预测数据集利用Shap值对LiR线性回归模型实现可解释性案例
- TF之DNN:利用DNN【784→500→10】对MNIST手写数字图片识别数据集(TF自带函数下载)预测(98%)+案例理解DNN过程
- 机器学习案例(十一):水质分析与预测
- 案例复现,带你分析Priority Blocking Queue比较器异常导致的NPE问题
- 案例:自动复制黏贴bat
- jquery案例5——tab栏切换、菜单栏切换、选项卡、来回切换
- 数据分析案例-二手车价格预测
- ML之FE:金融风控—基于预处理(PSI+标签编码+文本型抽数字+缺失值RF模型拟合填充)+多种筛选指标(PCA/IV值/Gini/熵/丰富度)利用CatBoost实现贷款违约二分类预测案例之详细攻略
- Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例