机器学习之路:python支持向量机回归SVR 预测波士顿地区房价
Posted 稀里糊涂林老冷
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习之路:python支持向量机回归SVR 预测波士顿地区房价相关的知识,希望对你有一定的参考价值。
python3 学习使用api
支持向量机的两种核函数模型进行预测
git: https://github.com/linyi0604/MachineLearning
from sklearn.datasets import load_boston from sklearn.cross_validation import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVR from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error import numpy as np # 1 准备数据 # 读取波士顿地区房价信息 boston = load_boston() # 查看数据描述 # print(boston.DESCR) # 共506条波士顿地区房价信息,每条13项数值特征描述和目标房价 # 查看数据的差异情况 # print("最大房价:", np.max(boston.target)) # 50 # print("最小房价:",np.min(boston.target)) # 5 # print("平均房价:", np.mean(boston.target)) # 22.532806324110677 x = boston.data y = boston.target # 2 分割训练数据和测试数据 # 随机采样25%作为测试 75%作为训练 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25, random_state=33) # 3 训练数据和测试数据进行标准化处理 ss_x = StandardScaler() x_train = ss_x.fit_transform(x_train) x_test = ss_x.transform(x_test) ss_y = StandardScaler() y_train = ss_y.fit_transform(y_train.reshape(-1, 1)) y_test = ss_y.transform(y_test.reshape(-1, 1)) # 4.1 支持向量机模型进行学习和预测 # 线性核函数配置支持向量机 linear_svr = SVR(kernel="linear") # 训练 linear_svr.fit(x_train, y_train) # 预测 保存预测结果 linear_svr_y_predict = linear_svr.predict(x_test) # 多项式核函数配置支持向量机 poly_svr = SVR(kernel="poly") # 训练 poly_svr.fit(x_train, y_train) # 预测 保存预测结果 poly_svr_y_predict = linear_svr.predict(x_test) # 5 模型评估 # 线性核函数 模型评估 print("线性核函数支持向量机的默认评估值为:", linear_svr.score(x_test, y_test)) print("线性核函数支持向量机的R_squared值为:", r2_score(y_test, linear_svr_y_predict)) print("线性核函数支持向量机的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(linear_svr_y_predict))) print("线性核函数支持向量机的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(linear_svr_y_predict))) # 对多项式核函数模型评估 print("对多项式核函数的默认评估值为:", poly_svr.score(x_test, y_test)) print("对多项式核函数的R_squared值为:", r2_score(y_test, poly_svr_y_predict)) print("对多项式核函数的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(poly_svr_y_predict))) print("对多项式核函数的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test), ss_y.inverse_transform(poly_svr_y_predict))) ‘‘‘ 线性核函数支持向量机的默认评估值为: 0.651717097429608 线性核函数支持向量机的R_squared值为: 0.651717097429608 线性核函数支持向量机的均方误差为: 27.0063071393243 线性核函数支持向量机的平均绝对误差为: 3.426672916872753 对多项式核函数的默认评估值为: 0.40445405800289286 对多项式核函数的R_squared值为: 0.651717097429608 对多项式核函数的均方误差为: 27.0063071393243 对多项式核函数的平均绝对误差为: 3.426672916872753 ‘‘‘
以上是关于机器学习之路:python支持向量机回归SVR 预测波士顿地区房价的主要内容,如果未能解决你的问题,请参考以下文章
SVR预测基于混沌灰狼优化支持向量机回归预测SVR模型matlab源码
SVR预测基于混沌灰狼算法优化支持向量机回归预测SVR模型matlab源码