实验一-波士顿房价预测

sklearn库安装：

pip install scikit-learn

波士顿数据

以Scikit-learn的内置数据集波士顿（Boston）房屋价格为案例，采用单变量线性回归算法对数据进行拟合与预测。
波士顿房屋的数据于1978年开始统计，共506个数据点，涵盖了波士顿不同郊区房屋的14中特征信息。
在这里，选取房屋价格（MEDV）、每个房屋的房间数量（RM）两个变量进行回归，其中房屋价格为目标变量，每个房屋的房间数量为特征变量。将数据导入进来，并进行初步分析。

数据处理

1、预处理
先获取数据集，获取到MEDV和RM，然后看它们的规律。
2、划分数据集，训练集和测试集

代码

import matplotlib.pyplot as plt #绘制图形库
import numpy as np              #科学计算库
import pandas as pd             #数据分析库
from sklearn.datasets import load_boston#从sklearn数据集中导入波士顿数据
boston=load_boston()
#print(boston.keys())
#print(boston.feature_names)
bos=pd.DataFrame(boston.data)#DataFrame是pandas的一个表格型数据结构，它含有一组有序的列，每列可以是不同的值类型
#print(bos[5].head(5))#返回数据第五列的前五行
bos_target=pd.DataFrame(boston.target)
#print(bos_target.head(5))

#绘制房屋价格MEDV 每个房屋平均客房数RM --散点图
dots1=bos[5]
#dots1=bos.iloc[:,5:6],iloc[ : , : ]
""" 前面的冒号就是取行数，后面的冒号是取列数
左闭右开原则 """
dots2=bos_target
plt.scatter(dots1,dots2)
plt.xlabel('RM')
plt.ylabel('MEDV')
plt.title('The relation of MEDV and RM')
plt.show()

from sklearn.model_selection import train_test_split
dots1=np.array(dots1.values)
dots2=np.array(dots2.values)    #np.array,numpy
x_train,x_test,y_train,y_test=train_test_split(dots1,dots2,test_size=0.25)  #把25%的数据作为测试集
print(x_train.shape,x_test.shape,y_train.shape,y_test.shape)                #shape是形状，数组的行数和列数

from sklearn.linear_model import LinearRegression#导入库
lr=LinearRegression()           #设定回归算法
lr.fit(x_train,y_train)         #使用训练数据进行参数求解
print(lr.intercept_,lr.coef_)   #截距和权重向量

#预测
y_hat=lr.predict(x_test)
#评估
#y_test与y_hat的可视化
plt.figure(figsize=(10,6))  #设置图片尺寸
t = np.arange(len(X_test))  #创建t变量plt.plot(t, y_test, 'r', linewidth=2, label='y_test')
#绘制y_test曲线，参数分别是：横纵坐标数据，线颜色，宽度...
plt.plot(t, y_hat, 'g', linewidth=2, label='y_hat')   #绘制y_hat曲线plt.legend() #设置图例plt.xlabel('test data')
plt.ylabel('price')
plt.show()

plt.figure(figsize=(10,6))   #绘制图片尺寸
plt.plot(y_test,y_hat,'o')   #绘制散点
plt.plot([-10,60],[-10,60], color="red", linestyle="--", linewidth=1.5)
plt.axis([-10,60,-10,60])
plt.xlabel('ground truth')   #设置X轴坐标轴标签
plt.ylabel('predicted')      #设置y轴坐标轴标签
plt.grid()  #绘制网格线

from sklearn import metrics
from sklearn.metrics import r2_score
# 拟合优度R2的输出方法一
print ("r2:",lr.score(X_test, y_test))  #基于Linear-Regression()的回归算法得分函数，来对预测集的拟合优度进行评价
# 拟合优度R2的输出方法二
print ("r2_score:",r2_score(y_test, y_hat)) #使用metrics的r2_score来对预测集的拟合优度进行评价
# 用scikit-learn计算MAE
print ("MAE:", metrics.mean_absolute_error(y_test, y_hat)) #计算平均绝对误差
# 用scikit-learn计算MSE
print ("MSE:", metrics.mean_squared_error(y_test, y_hat))  #计算均方误差
# # 用scikit-learn计算RMSE
print ("RMSE:", np.sqrt(metrics.mean_squared_error(y_test, y_hat))) #计算均方根误差

实验一-波士顿房价预测相关推荐

深度学习（波士顿房价预测）
本程序采用百度paddlepaddle深度学习框架,并在百度AI Studio平台上运行. 目录 1实验背景 2 实验过程 2.1 数据处理 2.1.1数据集导入并按规定形状保存 2.1.2数据集的划 ...
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 ...
深度学习入门——波士顿房价预测
基于神经网络模型的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,类似于程序员世界的"Hello World".以"波士顿房价预测"任务为例,我们学习如 ...
机器学习入门实战---波士顿房价预测
波士顿房价预测波士顿房价数据集介绍波士顿房价数据说明: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.数据集中的每一行数据都是对波士顿周边或城镇房 ...
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）
目录一.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 ...
竞赛大杀器xgboost，波士顿房价预测
经常出入DC竞赛.kaggle.天池等大数据比赛的同学应该很了解xgboost这座大山. 几乎所有的比赛都绕不过它,可能只需要这一个库,在比赛中就可以得到很高的分数,究竟是为什么呢?那么就来窥探一下它 ...
线性回归之案例：波士顿房价预测
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 ...
【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 ...
kaggle房价预测特征意思_Kaggle实战-波士顿房价预测
本文数据集来自Kaggle波士顿房价预测项目https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data 1.数据 ...
教你使用百度深度学习框架PaddlePaddle完成波士顿房价预测（新手向）
首先,本文是一篇纯新手向文章,我自己也只能算是入门,有说错的地方欢迎大家批评讨论目录一.人工智能.机器学习.深度学习二.PaddlePaddle(飞桨) 三.波士顿房价预测模型数据处理模型设 ...

实验一-波士顿房价预测

sklearn库安装：

波士顿数据

数据处理

代码

实验一-波士顿房价预测相关推荐

最新文章

热门文章