一、波士顿房价预测（正规方程优化）

API

1、获取数据集

2、划分数据集

3、标准化

4、创建预估器，得到模型

5、模型评估（均方差评估）

代码

二、波士顿房价预测（正规方程优化）

API

代码

总代码

一、波士顿房价预测（正规方程优化）

API

sklearn.linear_model.LinearRegression

1、获取数据集

# 1、获取数据集boston = load_boston()

2、划分数据集

# 2、划分数据集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)

3、标准化

# 3、标准化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)

4、创建预估器，得到模型

# 4、创建预估器，得到模型estimator = LinearRegression()              #正规方程优化estimator.fit(train_data, train_target)     #训练

# showprint('正规方程 权重系数：', estimator.coef_)print('正规方程 偏置：', estimator.intercept_)

5、模型评估（均方差评估）

通过求均方差的方式对得到的模型进行评估，均方差较小的模型效果更好。

# 5、模型评估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正规方程 均方差：', error)

代码

# 1、正规方程优化
def Linear1():# 1、获取数据集boston = load_boston()# print(boston)# 2、划分数据集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、标准化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、创建预估器，得到模型estimator = LinearRegression()              #正规方程优化estimator.fit(train_data, train_target)     #训练# showprint('正规方程 权重系数：', estimator.coef_)print('正规方程 偏置：', estimator.intercept_)# 5、模型评估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正规方程 均方差：', error)

二、波士顿房价预测（正规方程优化）

API

sklearn.linear_model.SGDRegressor

过程和上面类似。

代码

# 2、梯度下降优化
def Linear2():# 1、获取数据集boston = load_boston()# print(boston)# 2、划分数据集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、标准化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、创建预估器estimator = SGDRegressor()                  #梯度下降优化estimator.fit(train_data, train_target)     #训练# 得到模型print('梯度下降 权重系数：', estimator.coef_)print('梯度下降 偏置：', estimator.intercept_)# 5、模型评估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('梯度下降 均方差：', error)

总代码

# 线性回归：波士顿房价预测（正规方程，梯度下降）
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.metrics import mean_squared_error# 1、正规方程优化
def Linear1():# 1、获取数据集boston = load_boston()# print(boston)# 2、划分数据集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、标准化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、创建预估器，得到模型estimator = LinearRegression()              #正规方程优化estimator.fit(train_data, train_target)     #训练# showprint('正规方程 权重系数：', estimator.coef_)print('正规方程 偏置：', estimator.intercept_)# 5、模型评估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正规方程 均方差：', error)# 2、梯度下降优化
def Linear2():# 1、获取数据集boston = load_boston()# print(boston)# 2、划分数据集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、标准化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、创建预估器estimator = SGDRegressor()                  #梯度下降优化estimator.fit(train_data, train_target)     #训练# 得到模型print('梯度下降 权重系数：', estimator.coef_)print('梯度下降 偏置：', estimator.intercept_)# 5、模型评估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('梯度下降 均方差：', error)if __name__ == '__main__':Linear1()           # 正规方程Linear2()           # 梯度下降

机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）相关推荐

【梯度下降在波士顿房价预测中的应用】
数据准备我们首先需要加载波士顿房价数据集.该数据集包含房屋特征信息和对应的房价标签. import pandas as pd import numpy as npdata_url = "h ...
【深度学习】实战Kaggle竞赛之线性模型解决波士顿房价预测问题（Pytorch）
[深度学习]实战Kaggle竞赛之线性模型解决波士顿房价预测问题文章目录 1 概述1.1 Competition Description1.2 Practice Skills 2 数据处理 3 训练 ...
机器学习梯度下降法应用波士顿房价预测
目录 1 线性回归api介绍小结 2 波士顿房价预测 2.1 案例背景介绍 2.2 案例分析 2.3 回归性能评估 2.4 代码实现 2.4.1 正规方程 2.4.2 梯度下降法 2.5 小结 1 ...
【机器学习】P25 随机森林算法（2）实现 “波士顿房价” 预测
随机森林算法 Random Forest Algorithm 随机森林算法随机森林算法实现波士顿房价预测随机森林算法随机森林(Random Forest)算法是一种集成学习(Ensemble ...
13_线性回归分析、线性模型、损失函数、最小二乘法之梯度下降、回归性能评估、sklearn回归评估API、线性回归正规方程，梯度下降API、梯度下降和正规方程对比
1.线性回归 1.1 线性模型试图学得一个通过属性的线性组合来进行预测的函数: 1.2 定义定义:线性回归通过一个或者多个自变量与因变量之间进行建模的回归分析.其中特点为一个或多个称为回归系数的模 ...
机器学习（11）线性回归（1）理论：损失函数(含最小二乘法)、正规方程、梯度下降、回归性能评估（均方差）
目录一.线性回归基础理论 1.定义与公式 2.线性关系(单特征与双特征) 2-1.单特征线性关系 2-2.双特征平面关系 2-3.其他线性模型二.线性回归的损失和优化原理 1.损失函数 1.定义 ...
基于机器学习梯度下降优化算法来寻找最佳的线性回归模型
https://www.toutiao.com/a6638782437587419652/ 幻风的AI之路 2018-12-25 18:12:27 线性回归模型线性回归模型是一个非常简单的算法模型, ...
归一化，正则化等梯度下降优化详解（4）机器学习
在学习了梯度下降机器原理本质,以及可能遇到的问题之后,我们可以进一步针对梯度下降进行优化,使得最终更快更准的走向最优值. 1 归一化 1.1 归一化目的在不同特征的滑动过程中,不同方向的陡峭 ...
正规方程，梯度下降，岭回归——机器学习
线性回归一. 介绍 1. 1 线性回归API介绍--LinearRegression 二. 线性回归的损失和优化 2.1 全梯度下降算法(FG) 2.2 随机梯度下降算法(SG) 2.3 小批量梯度 ...

机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）

一、波士顿房价预测（正规方程优化）

API

1、获取数据集

2、划分数据集

3、标准化

4、创建预估器，得到模型

5、模型评估（均方差评估）

代码

二、波士顿房价预测（正规方程优化）

API

代码

总代码

机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）相关推荐

最新文章

热门文章

机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）

一、波士顿房价预测（正规方程优化）

API

1、获取数据集

2、划分数据集

3、标准化

4、 创建预估器，得到模型

5、模型评估（均方差评估）

代码

二、波士顿房价预测（正规方程优化）

API

代码

总代码

机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）相关推荐

最新文章

热门文章

4、创建预估器，得到模型