机器学习基础算法14-波士顿房价预测-ElasticNet模型

文章目录

ElasticNet模型介绍
代码
实验结果

ElasticNet模型介绍

ElasticNet又叫弹性网络回归，也就是L1-norm与L2-norm的组合。
详细介绍见
https://blog.csdn.net/qq_21904665/article/details/52315642

代码

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import pandas as pd
##数据分割为训练数据和测试数据
from sklearn.model_selection import train_test_split
#使用ElasticNet模型
from sklearn.linear_model import ElasticNetCV
import sklearn.datasets
from pprint import pprint
#数据预处理
from sklearn.preprocessing import PolynomialFeatures, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.metrics import mean_squared_error
import warningsif __name__ == "__main__":'''加载数据'''# 消除警告warnings.filterwarnings(action='ignore')# 设置浮点精度np.set_printoptions(suppress=True)# 读取数据file_data = pd.read_csv('housing.data', header=None)# print(file_data)# a = np.array([float(s) for s in str if s != ''])#将数据分为两部分，并赋值#将data设为维度为(len(file_data), 14)的值data = np.empty((len(file_data), 14))data = sklearn.datasets.load_boston()#print(data)# 特征值x = np.array(data.data)# 目标值y = np.array(data.target)print(u'样本个数：%d, 特征个数：%d' % x.shape)print(y.shape)y = y.ravel()#'''训练集，测试集，训练模型'''# 数据分为训练集和测试集# random_state：是随机数的种子,随机数种子为0时，产生不同的随机数，x_train, x_test, y_train, y_test = train_test_split(x, y, train_size=0.7, random_state=0)# 线性分类model = Pipeline([('ss', StandardScaler()),# ElasticNet回归('poly', PolynomialFeatures(degree=3, include_bias=True)),('linear', ElasticNetCV(l1_ratio=[0.1, 0.3, 0.5, 0.7, 0.99, 1], alphas=np.logspace(-3, 2, 5),fit_intercept=False, max_iter=1e3, cv=3))])print (u'开始建模...')# 拟合模型model.fit(x_train, y_train)# 获得模型的参数linear = model.get_params('linear')['linear']print (u'超参数：', linear.alpha_)print (u'L1 ratio：', linear.l1_ratio_)# argsort的：对数据进行排序，然后提取其原来的索引# 测试数据做递增排序order = y_test.argsort(axis=0)y_test = y_test[order]x_test = x_test[order, :]# 使用测试数据测试模型y_pred = model.predict(x_test)'''计算R2，MSE'''# 为模型进行打分 r2越大，拟合效果越好，最优值为1。r2 = model.score(x_test, y_test)# 计算MSEmse = mean_squared_error(y_test, y_pred)print ('R2:', r2)print( u'均方误差：', mse)# t：样本标号t = np.arange(len(y_pred))'''绘图'''mpl.rcParams['font.sans-serif'] = [u'simHei']mpl.rcParams['axes.unicode_minus'] = Falseplt.figure(facecolor='w')plt.plot(t, y_test, 'r-', lw=2, label=u'真实值')plt.plot(t, y_pred, 'g-', lw=2, label=u'估计值')plt.legend(loc='best')plt.title(u'波士顿房价预测', fontsize=18)plt.xlabel(u'样本编号', fontsize=15)plt.ylabel(u'房屋价格', fontsize=15)plt.grid()plt.show()

实验结果

样本个数：506, 特征个数：13
(506,)
开始建模...
超参数： 0.01778279410038923
L1 ratio： 0.99
R2: 0.8063335206113289
均方误差： 16.125736558067782

机器学习基础算法14-波士顿房价预测-ElasticNet模型相关推荐

Python机器学习/数据挖掘项目实战波士顿房价预测回归分析
Python机器学习/数据挖掘项目实战波士顿房价预测回归分析此数据源于美国某经济学杂志上,分析研究波士顿房价( Boston HousePrice)的数据集. 在这个项目中,你将利用马萨诸塞州波 ...
机器学习实战二：波士顿房价预测 Boston Housing
波士顿房价预测 Boston housing 这是一个波士顿房价预测的一个实战,上一次的Titantic是生存预测,其实本质上是一个分类问题,就是根据数据分为1或为0,这次的波士顿房价预测更像是预测一 ...
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 ...
机器学习线性回归实践，波士顿房价预测，手写梯度下降
波士顿房价预测,手写梯度下降,python实现数据集介绍每条数据包含房屋以及房屋周围的详细信息.其中包含城镇犯罪率,一氧化氮浓度,住宅平均房间数,到中心区域的加权距离以及自住房平均房价等等. CR ...
【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 ...
波士顿房价预测python决策树_波士顿房价预测 - 最简单入门机器学习 - Jupyter
机器学习入门项目分享 - 波士顿房价预测该分享源于Udacity机器学习进阶中的一个mini作业项目,用于入门非常合适,刨除了繁琐的部分,保留了最关键.基本的步骤,能够对机器学习基本流程有一个最清晰 ...
波士顿房价预测——机器学习入门级案例
一.数据处理 1.1 数据集介绍本实验使用波士顿房价预测数据集,共506条样本数据,每条样本包含了13种可能影响房价的因素和该类房屋价格的中位数,各字段含义如下表所示: 字段名类型含义 CRIM ...
线性回归算法从认知到实战内含波士顿房价预测案例
文章目录 2.1 线性回归简介学习目标 1 线性回归应用场景 2 什么是线性回归 2.1 定义与公式 2.2 线性回归的特征与目标的关系分析 3 小结 2.2 线性回归api初步使用学习目标 1 ...
统计学习基础:数据挖掘、推理和预测_百度零基础深度学习笔记(三) 波士顿房价预测...
波士顿房价预测波士顿房价预测是一个经典的机器学习任务,期待构建一个房价预测模型,其数据中包含13个影响房价的因素和该类型房屋均价. 波士顿房价影响因素数据预处理数据预处理包括: 数据导入数据形 ...
波士顿房价预测python代码_Python之机器学习-波斯顿房价预测
AI 人工智能 Python之机器学习-波斯顿房价预测波士顿房价预测导入模块 import pandas as pd import numpy as np import matplotlib.py ...

机器学习基础算法14-波士顿房价预测-ElasticNet模型

文章目录

ElasticNet模型介绍

代码

实验结果

机器学习基础算法14-波士顿房价预测-ElasticNet模型相关推荐

最新文章

热门文章