线性回归之案例：波士顿房价预测

线性回归之案例：波士顿房价预测

• 数据介绍   【13个特征值，1个目标值】

给定的这些特征，是专家们得出的影响房价的结果属性。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

1 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

2 回归性能评估

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

3 代码

示例代码1（线性回归:正规方程）：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LinearRegression, SGDRegressor

def linear_model1():
    """
    线性回归：正规方程
    :return:
    """
    #  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
    transter = StandardScaler()
    x_train = transter.fit_transform(x_train)
    x_test = transter.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("模型中的偏执为：\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)


linear_model1()

运行效果：

示例代码2（线性回归：梯度下降法）：

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LinearRegression, SGDRegressor


def linear_model2():
    """
    线性回归：梯度下降法
    :return:
    """
    #  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
    transter = StandardScaler()
    x_train = transter.fit_transform(x_train)
    x_test = transter.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("模型中的偏执为：\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)


linear_model2()

运行结果：  【此方法每次运行的结果都会不一样】

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。

再次运行结果：

【参数对结果的影响很大】