1 案例背景
2 案例分析给定的这些特征，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
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
均方误差(Mean Squared Error)MSE)评价机制：
- 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
4.1 准备
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression,SGDRegressor,RidgeCV,Ridge
from sklearn.metrics import mean_squared_error
4.2 正规方程
def liner_model():
# 1.获取数据
boston=load_boston()
print(boston)
# 2.数据处理
# 2.1 分割数据
x_train,x_test,y_train,y_test=train_test_split(boston.data,boston.target,test_size=0.2)
# 3.特征工程-数据标准化
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
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_)
# 评价指标 均方误差
error=mean_squared_error(y_test,y_predict)
print("误差率：\n",error)
return None
4.3 梯度下降法
def liner_model1() :
# 1.获取数据
boston = load_boston()
print(boston)
# 2.数据处理
# 2.1 分割数据
x_train, x_test, y_train, y_test = train_test_split(boston.data, boston.target, test_size=0.2)
# 3.特征工程-数据标准化
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(梯度下降)
estimator = SGDRegressor(max_iter=1000)
estimator.fit(x_train, y_train)
# 5.模型评估
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_)
# 评价指标 均方误差
error = mean_squared_error(y_test, y_predict)
print("均方误差：\n", error)
return None
4.4 主函数调用
liner_model()
liner_model1()
注：可以通过调参数，找到学习率效果更好的值。
estimator = SGDRegressor(max_iter=1000,learning_rate="constant",eta0=0.1)
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
