线性回归案例:波士顿房价预测

Posted ZSYL

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了线性回归案例:波士顿房价预测相关的知识,希望对你有一定的参考价值。

1. 背景介绍

  • 数据介绍

在这里插入图片描述在这里插入图片描述

给定的这些特征,是专家们得出的影响房价的结果属性。我们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需要我们自己去寻找。

2. 案例分析

回归当中的数据大小不一致,是否会导致结果影响较大。所以需要做标准化处理

  • 数据分割与标准化处理
  • 回归预测
  • 线性回归的算法效果评估

3. 回归性能评估

均方误差(Mean Squared Error)MSE)评价机制:
在这里插入图片描述
在这里插入图片描述

思考:MSE和最小二乘法的区别是?

  • sklearn.metrics.mean_squared_error(y_true, y_pred)
    • 均方误差回归损失
    • y_true:真实值
    • y_pred:预测值
    • return:浮点数结果

4. 代码实现

4.1 正规方程

def linear_model1():
    """
    线性回归:正规方程
    :return:None
    """
    # 1.获取数据
    data = load_boston()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)

    # 3.特征工程-标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.fit_transform(x_test)

    # 4.机器学习-线性回归(正规方程)
    estimator = LinearRegression()
    estimator.fit(x_train, y_train)

    # 5.模型评估
    # 5.1 获取系数等值
    y_predict = estimator.predict(x_test)
    print("预测值为:\\n", y_predict)
    print("模型中的系数为:\\n", estimator.coef_)
    print("模型中的偏置为:\\n", estimator.intercept_)

    # 5.2 评价
    # 均方误差
    error = mean_squared_error(y_test, y_predict)
    print("误差为:\\n", error)

    return None

4.2 梯度下降法

def linear_model2():
    """
    线性回归:梯度下降法
    :return:None
    """
    # 1.获取数据
    data = load_boston()

    # 2.数据集划分
    x_train, x_test, y_train, y_test = train_test_split(data.data, data.target, random_state=22)

    # 3.特征工程-标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.fit_transform(x_test)

    # 4.机器学习-线性回归(特征方程)
    estimator = SGDRegressor(max_iter=1000)
    estimator.fit(x_train, y_train)

    # 5.模型评估
    # 5.1 获取系数等值
    y_predict = estimator.predict(x_test)
    print("预测值为:\\n", y_predict)
    print("模型中的系数为:\\n", estimator.coef_)
    print("模型中的偏置为:\\n", estimator.intercept_)

    # 5.2 评价
    # 均方误差
    error = mean_squared_error(y_test, y_predict)
    print("误差为:\\n", error)

    return None

我们也可以尝试去修改学习率

estimator = SGDRegressor(max_iter=1000,learning_rate="constant",eta0=0.1)

此时我们可以通过调参数,找到学习率效果更好的值。

5. 小结

  • 正规方程和梯度下降法api在真实案例中的使用
  • 线性回归性能评估【知道】
    • 均方误差

加油!

感谢!

努力!

以上是关于线性回归案例:波士顿房价预测的主要内容,如果未能解决你的问题,请参考以下文章

机器学习梯度下降法应用波士顿房价预测

线性回归预测波士顿房价

线性回归模型之波士顿房价预测

机器学习实战—— 用线性回归预测波士顿房价

机器学习之利用线性回归预测波士顿房价和可视化分析影响房价因素实战(python实现 附源码 超详细)

《用Python玩转数据》项目—线性回归分析入门之波士顿房价预测