波士顿房价处理

1. 导入boston房价数据集

2. 一元线性回归模型,建立一个变量与房价之间的预测模型,并图形化显示。

3. 多元线性回归模型,建立13个变量与房价之间的预测模型,并检测模型好坏,并图形化显示检查结果。

4.  一元多项式回归模型,建立一个变量与房价之间的预测模型,并图形化显示。

 1 from sklearn.datasets import load_boston
 2 import matplotlib.pyplot as plt
 3 from sklearn.linear_model import LinearRegression
 4 from sklearn.preprocessing import PolynomialFeatures
 5
 6 def yiyuan(data,x,y):
 7     ‘‘‘一元模型并画图‘‘‘
 8     plt.scatter(x, y)
 9     plt.plot(x, 9 * x - 30)
10     plt.show()
11
12 def duoyuan(data,x,y):
13     LineR = LinearRegression()
14     LineR.fit(x.reshape(-1, 1), y)
15     lr = LinearRegression()
16     lr.fit(data, y)
17     lr.coef_  #斜率
18     w = lr.coef_
19     lr.intercept_#截距
20     b = lr.intercept_
21     y_pred = LineR.predict(x)
22     return y_pred
23
24
25 def duoxiangsi():
26     poly = PolynomialFeatures(degree=2)
27     x_poly = poly.fit_transform(x)
28     lp = LinearRegression()  # G构建模型
29     lp.fit(x_poly, y)
30     y_poly_pred = lp.predict(x_poly)
31
32     plt.scatter(x, y)
33     plt.plot(x, y_poly_pred, ‘r‘)
34     plt.show()
35
36     lrp = LinearRegression()
37     lrp.fit(x_poly, y)
38     plt.scatter(x, y)
39     plt.scatter(x, y_pred)
40     plt.scatter(x, y_poly_pred)  # 多项回归
41     plt.show()
42
43
44
45
46
47
48 if __name__ == ‘__main__‘:
49     boston = load_boston()
50     boston.keys()
51     data = boston.data
52     x = data[:, 5]
53     y = boston.target
54     y_pred = yiyuan(boston,x,y)
55     duoxiangsi()

原文地址:https://www.cnblogs.com/smallgrass/p/10122665.html

时间: 2024-10-08 14:35:11

波士顿房价处理的相关文章

02-08 多项式回归(波士顿房价预测)

目录 多项式回归(波士顿房价预测) 一.导入模块 二.获取数据 三.训练模型 3.1 报告决定系数 四.可视化 更新.更全的<机器学习>的更新网站,更有python.go.数据结构与算法.爬虫.人工智能教学等着你:https://www.cnblogs.com/nickchen121/ 多项式回归(波士顿房价预测) 一.导入模块 import pandas as pd import numpy as np import matplotlib.pyplot as plt from matplot

02-07 多元线性回归(波士顿房价预测)

目录 多元线性回归(波士顿房价预测) 一.导入模块 二.获取数据 三.训练模型 四.可视化 五.均方误差测试 更新.更全的<机器学习>的更新网站,更有python.go.数据结构与算法.爬虫.人工智能教学等着你:https://www.cnblogs.com/nickchen121/ 多元线性回归(波士顿房价预测) 一.导入模块 import pandas as pd import matplotlib.pyplot as plt from matplotlib.font_manager im

波士顿房价数据集

机器学习:波士顿房价数据集 波士顿房价数据集(Boston House Price Dataset)(下载地址:http://t.cn/RfHTAgY) 使用sklearn.datasets.load_boston即可加载相关数据. from sklearn.datasets import load_boston 该数据集是一个回归问题.每个类的观察值数量是均等的,共有 506 个观察,13 个输入变量和1个输出变量. 每条数据包含房屋以及房屋周围的详细信息. CRIM:城镇人均犯罪率:  ZN

机器学习之路: python 线性回归LinearRegression, 随机参数回归SGDRegressor 预测波士顿房价

python3学习使用api 线性回归,和 随机参数回归 git: https://github.com/linyi0604/MachineLearning 1 from sklearn.datasets import load_boston 2 from sklearn.cross_validation import train_test_split 3 from sklearn.preprocessing import StandardScaler 4 from sklearn.linear

机器学习之路: python 回归树 DecisionTreeRegressor 预测波士顿房价

python3 学习api的使用 git: https://github.com/linyi0604/MachineLearning 代码: 1 from sklearn.datasets import load_boston 2 from sklearn.cross_validation import train_test_split 3 from sklearn.preprocessing import StandardScaler 4 from sklearn.tree import De

《用Python玩转数据》项目—线性回归分析入门之波士顿房价预测(二)

接上一部分,此篇将用tensorflow建立神经网络,对波士顿房价数据进行简单建模预测. 二.使用tensorflow拟合boston房价datasets 1.数据处理依然利用sklearn来分训练集和测试集. 2.使用一层隐藏层的简单网络,试下来用当前这组超参数收敛较快,准确率也可以. 3.激活函数使用relu来引入非线性因子. 4.原本想使用如下方式来动态更新lr,但是尝试下来效果不明显,就索性不要了. def learning_rate(epoch): if epoch < 200: re

线性回归预测波士顿房价

预测波士顿的房价,上次已经通过房间数目预测了房价,这次用多元线性回归预测. 根据之前推导的多元线性回归的参数 接下来是多元线性回归的代码实现 def LinearRegression_(x,y): np.array(x) np.array(y) a = (np.linalg.inv(x.T.dot(x))).dot(x.T).dot(y) 上次大致了解了得个feature的name.下面是‘ZN’和‘RM’的散点图(由于我比较懒所以只实现这两个) 我们可以看出每个特征的数据范围相差较大,为了加快

[ML]keras波士顿房价预测模型

from keras.datasets import boston_housing from keras.models import Sequential from keras.layers import Dense,BatchNormalization,Dropout,Reshape,Flatten from keras.layers.convolutional import Conv2D,MaxPooling2D,Conv1D,MaxPooling1D import numpy as np

【udacity】机器学习-波士顿房价预测小结

Evernote Export body,td { font-family: 微软雅黑; font-size: 10pt } 机器学习的运行步骤 1.导入数据 没什么注意的,成功导入数据集就可以了,打印看下数据的标准格式就行 用个info和describe 2.分析数据 这里要详细分析数据的内容,看看缺省值和数据的特征,主要是为了看到数据的特征,并且人肉分析一下特征值对目标值的大约影响,嗯,就是这样 然后开始划分数据,将数据分为两个部分,一个数据的特征值(features),一个是数据的目标值(