机器学习实践_波士顿房价回归模型分析

线性回归模型

1.线性回归基础模型

from sklearn import linear_model
import numpy as np
 
# 准备数据
X = np.array([[1], [2], [3]])
y = np.array([2, 4, 6])
 
# 创建线性回归模型
model = linear_model.LinearRegression()
 
# 拟合模型
model.fit(X, y)
 
# 打印模型参数
print("斜率:", model.coef_)
print("截距:", model.intercept_)

【解释】：

1.导入线性回归模型

from sklearn import linear_model

 2.创建线性回归模型对象

model = linear_model.LinearRegression()

3.拟合模型

 model.fit(X, y)

这一行代码使用创建好的线性回归模型对象，对给定的输入特征 X 和对应的目标变量 y 进行拟合。即，模型会尝试学习一个线性关系，以最小化目标变量 y 和模型预测值之间的差异。

• X 是输入特征矩阵，包含了用于训练模型的各个样本的特征值。
• y 是目标变量，包含了每个样本对应的目标值。

---

2. 简单的波士顿房价预测

# 导入用到的python模块
import sklearn
import numpy as np
from sklearn import datasets, linear_model
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
# 定义训练和测试函数，训练函数输出拟合误差，测试函数返回预测结果与预测得分
def TrainLinearRegression(X,y):
    model = linear_model.LinearRegression()  #线性回归
    model.fit(X, y) 
    print('E(|y-wTx|^2) : ' + str(np.mean((model.predict(X) - y) ** 2)))
    return model
 
def TestModel(X_test, y_test, model):
    score = model.score(X_test, y_test) #基于模型的分数分析
    y_pred = model.predict(X_test)
    print('model test score is : ' + str(score))
    return y_pred, score    
 
# 这里用sklearn自带的公开数据集：波士顿房价数据集
data, label = datasets.load_boston(return_X_y=True)
print(data.shape, label.shape)
# 将数据切分成训练数据和测试用的数据
X_train, X_test, y_train, y_test = train_test_split(data, label, test_size=0.2)
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)
#训练模型
LinearModel = TrainLinearRegression(X_train, y_train)
#模型测试
y_pred_linear, score_linear = TestModel(X_test, y_test, LinearModel)
 
#结果可视化
plt.figure()
plt.plot(range(30), y_pred_linear[:30], 'bo-', y_test[:30], 'y.--')
plt.title('Linear model prediction',fontsize='large')

3.波士顿房价预测

        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种特征信息。

        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。

1.1 数据集解析

数据集共506行，每行14列

前13列用来描述房屋的各种信息 ，最后一列为该类房屋价格中位数

1.2 流程

准备数据→配置网络→训练网络→模型评估→模型预测 

训练网络：

1.  网络正向传播计算网络输出和损失函数。

2.  根据损失函数进行反向误差传播，将网络误差从输出层依次向前传递, 并更新网络中的参数。

3.  重复1~2步骤，直至网络训练误差达到规定的程度或训练轮次达到设定值。

1.3 代码

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/weixin_40725706/article/detail/841982