机器学习1：线性回归模型解决波士顿房价预测和研究生入学率问题_研究生入学预测回归分析

Python机器学习实战1：使用线性回归模型来解决波士顿房价预测和研究生入学率问题

boston房价预测

导入库

from  sklearn.linear_model import LinearRegression
from  sklearn.datasets import load_boston
import matplotlib.pyplot as plt
%matplotlib inline
1
2
3
4

获取数据集

bosten = load_boston()
1

线性回归

• 模型训练

clf = LinearRegression()
clf.fit(bosten.data[:,5:6],bosten.target)  #模型训练
x = bosten.data[:,5:6]
1
2
3

• 回归系数

clf.coef_  
1

array([9.10210898])
1

• 预测值

y_pre = clf.predict(bosten.data[:,5:6])  #模型的输出值
1

• 可视化

plt.scatter(x,bosten.target)
plt.plot(x,y_pre)
plt.show()
1
2
3

研究生入学率

导入库

import pandas as pd
from sklearn.linear_model import LogisticRegression  #逻辑回归
from sklearn.model_selection import train_test_split  #测试集训练集分割
from sklearn.metrics import classification_report
1
2
3
4

导入数据

data = pd.read_csv(r"LogisticRegression.csv")
data_tr,data_te,label_tr,label_te = train_test_split(data.iloc[:,1:],data["admit"],test_size = 0.2)
1
2

data.iloc[:,1:]
1

400 rows × 3 columns

data_tr.head()
1

data_te.head()
1

模型训练

clf = LogisticRegression()
clf.fit(data_tr,label_tr)  #模型训练
pre = clf.predict(data_te) #模型预测
1
2
3

• 预测出来的标签，label_te实际值

pre  
1

array([0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int64)
1
2
3
4

• sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。

res = classification_report(label_te,pre)
1

print(res)
1

              precision    recall  f1-score   support

           0       0.71      0.89      0.79        56
           1       0.40      0.17      0.24        24

    accuracy                           0.68        80
   macro avg       0.56      0.53      0.51        80
weighted avg       0.62      0.68      0.63        80
1
2
3
4
5
6
7
8

---

推荐阅读

1. 使用Python完成时间序列分析基础
2. SPSS建立时间序列乘法季节模型实战案例
3. Python建立时间序列ARIMA模型实战案例

---

到这里就结束了，如果对你有帮助你，欢迎点赞关注，你的点赞对我很重要