线性回归模型之LinearRegression和SGDRegressor
来源:互联网 发布:淘宝头条写手招募 编辑:程序博客网 时间:2024/05/18 12:01
用美国波士顿的房价数据来介绍如何使用LR和SGDR模型进行预测
# 从sklearn.datasets导入波士顿房价数据读取器。
from sklearn.datasets import load_boston
# 从读取房价数据存储在变量boston中。
boston = load_boston()
# 输出数据描述。
print (boston.DESCR)
# 从sklearn.cross_validation导入数据分割器。
from sklearn.cross_validation import train_test_split
# 导入numpy并重命名为np。
import numpy as np
X = boston.data
y = boston.target
# 随机采样25%的数据构建测试样本,其余作为训练样本。
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=33, test_size=0.25)
# 分析回归目标值的差异。
print( "The max target value is", np.max(boston.target))
print( "The min target value is", np.min(boston.target))
print( "The average target value is", np.mean(boston.target))
# 从sklearn.preprocessing导入数据标准化模块。
from sklearn.preprocessing import StandardScaler
# 分别初始化对特征和目标值的标准化器。
ss_X = StandardScaler()
ss_y = StandardScaler()
# 分别对训练和测试数据的特征以及目标值进行标准化处理。
X_train = ss_X.fit_transform(X_train)
X_test = ss_X.transform(X_test)
y_train = ss_y.fit_transform(y_train)
y_test = ss_y.transform(y_test)
# 从sklearn.linear_model导入LinearRegression。
from sklearn.linear_model import LinearRegression
# 使用默认配置初始化线性回归器LinearRegression。
lr = LinearRegression()
# 使用训练数据进行参数估计。
lr.fit(X_train, y_train)
# 对测试数据进行回归预测。
lr_y_predict = lr.predict(X_test)
# 从sklearn.linear_model导入SGDRegressor。
from sklearn.linear_model import SGDRegressor
# 使用默认配置初始化线性回归器SGDRegressor。
sgdr = SGDRegressor()
# 使用训练数据进行参数估计。
sgdr.fit(X_train, y_train)
# 对测试数据进行回归预测。
sgdr_y_predict = sgdr.predict(X_test)
# 使用LinearRegression模型自带的评估模块,并输出评估结果。
print ('The value of default measurement of LinearRegression is', lr.score(X_test, y_test))
# 从sklearn.metrics依次导入r2_score、mean_squared_error以及mean_absoluate_error用于回归性能的评估。
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error
# 使用r2_score模块,并输出评估结果。
print( 'The value of R-squared of LinearRegression is', r2_score(y_test, lr_y_predict))
# 使用mean_squared_error模块,并输出评估结果。
print( 'The mean squared error of LinearRegression is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(lr_y_predict)))
# 使用mean_absolute_error模块,并输出评估结果。
print( 'The mean absoluate error of LinearRegression is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(lr_y_predict)))
# 使用SGDRegressor模型自带的评估模块,并输出评估结果。
print( 'The value of default measurement of SGDRegressor is', sgdr.score(X_test, y_test))
# 使用r2_score模块,并输出评估结果。
print ('The value of R-squared of SGDRegressor is', r2_score(y_test, sgdr_y_predict))
# 使用mean_squared_error模块,并输出评估结果。
print( 'The mean squared error of SGDRegressor is', mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict)))
# 使用mean_absolute_error模块,并输出评估结果。
print( 'The mean absoluate error of SGDRegressor is', mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(sgdr_y_predict))y
- 线性回归模型之LinearRegression和SGDRegressor
- 使用线性回归模型LinearRegression和SGDRegressor分别对美国波士顿地区房价进行预测
- scikit-learn实现线性回归之LinearRegression模型
- 使用线性回归模型LinearRegression和SGDRegression分别对美国波士地区房价进行预测
- LinearRegression,Ridge,RidgeCV,Lasso线性回归模型简单使用
- 线性回归LinearRegression(单变量线性回归)
- SparkMLlib---LinearRegression(线性回归)、LogisticRegression(逻辑回归)
- sklearn 线性回归LinearRegression()参数介绍
- Spark-ML 线性回归 LinearRegression (1)
- Python线性回归实例--Python,sklearn,LinearRegression
- 线性回归模型和最小二乘法
- 机器学习(3)线性回归sklearn.linear_model.LinearRegression
- 使用TensorFlow实现简单的线性回归(LinearRegression)
- MXNet官方文档中文版教程(6):线性回归(LinearRegression)
- 机器学习之线性回归模型
- 1.4线性回归之模型诊断
- 机器学习之线性回归模型
- 多元线性回归模型和最小二乘法
- 二分图最大匹配算法
- 深层神经网络——过拟合问题
- 在Python3.5下安装和测试Scrapy爬网站
- iOS 常见错误之 linker command failed with exit code 1 并且点不进去 解决方法
- JavaSE_JavaIO操作
- 线性回归模型之LinearRegression和SGDRegressor
- Mybatis反向生成之eclipse工具生成
- node.js开发:node升级
- SQL 数据库的操作(一)
- python 之可变对象与不可变对象
- Linux下共享内存通信实现A进程死循环输出A后被C进程处理输出C
- Android实现对话框控件Dialog
- css解决设置宽度百分比,高度跟宽度相等,防止内部图片抖动
- Android学习心得(25) --- Intent启动方式研究