PythonAI中如何使用機(jī)器學(xué)習(xí)回歸模型預(yù)測房價

本篇文章給大家分享的是有關(guān)Python AI中如何使用機(jī)器學(xué)習(xí)回歸模型預(yù)測房價，小編覺得挺實用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

專業(yè)從事企業(yè)網(wǎng)站建設(shè)和網(wǎng)站設(shè)計服務(wù)，包括網(wǎng)站建設(shè)、域名注冊、網(wǎng)絡(luò)空間、企業(yè)郵箱、微信公眾號開發(fā)、微信支付寶微信平臺小程序開發(fā)、app軟件開發(fā)公司、軟件開發(fā)、等服務(wù)。公司始終通過不懈的努力和以更高的目標(biāo)來要求自己,在不斷完善自身管理模式和提高技術(shù)研發(fā)能力的同時，大力倡導(dǎo)推行新經(jīng)濟(jì)品牌戰(zhàn)略，促進(jìn)互聯(lián)網(wǎng)事業(yè)的發(fā)展。

一、回歸預(yù)測

今天我們來具體了解一下使用機(jī)器學(xué)習(xí)算法進(jìn)行回歸預(yù)測。

回歸預(yù)測主要用于預(yù)測與對象關(guān)聯(lián)的連續(xù)值屬性，得到數(shù)值型的預(yù)測數(shù)據(jù)?；貧w預(yù)測的應(yīng)用場景有各類的價格預(yù)測、相關(guān)性的反應(yīng)預(yù)測等。

下面，我們就使用sklearn模塊，以一個sklearn中集成的波士頓房價數(shù)據(jù)集來演示如何進(jìn)行回歸預(yù)測。

二、波士頓房價預(yù)測

1、引入數(shù)據(jù)集

在sklearn中內(nèi)置的數(shù)據(jù)集都位于datasets子模塊下，我們可以直接進(jìn)行導(dǎo)入：

導(dǎo)入之后，看看數(shù)據(jù)集中的內(nèi)容：

其中有五個鍵，從字面意思上理解，可以發(fā)現(xiàn)data是數(shù)據(jù)集中所有的數(shù)據(jù)特征，DESCR是數(shù)據(jù)集的描述信息，target是數(shù)據(jù)集特征對應(yīng)的目標(biāo)值，feature_name則是數(shù)據(jù)特征的名稱。

我們先來看看數(shù)據(jù)特征的名稱：

可以發(fā)現(xiàn)數(shù)據(jù)集中有13個特征，每個特征具體是什么意思，倒不清楚，我們可以在DESCR描述中找到具體意思：

最后可以知道每個數(shù)據(jù)特征的含義如下：

• CRIM：人均犯罪率 ；

• ZN：住宅用地超過兩萬五千平方英尺的比例 ；

• INDUS：城鎮(zhèn)的非零售營業(yè)比例；

• CHAS：河流分界；

• NOX：一氧化氮濃度 ；

• RM：住宅平均房間數(shù)；

• AGE：1940年之前建造的房屋業(yè)主比例；

• DIS：距離波士頓五個就業(yè)中心的加權(quán)距離；

• RAD：徑向公路的可達(dá)指數(shù)；

• TAX ：每一萬美元財產(chǎn)的全額財產(chǎn)稅率

• PTRATIO ：城鄉(xiāng)教師比例；

• B ：黑人比例

• LSTAT ：低層人群比例

• MEDV ：房屋價格中值

再來看看具體的數(shù)據(jù)特征和目標(biāo)數(shù)據(jù)值：

數(shù)據(jù)特征形狀：

數(shù)據(jù)特征概覽：

數(shù)據(jù)特征一共有506行，13列，正好對應(yīng)13個數(shù)據(jù)特征。而目標(biāo)數(shù)據(jù)值的也正好是506個：

相當(dāng)于是已經(jīng)處理好的數(shù)據(jù)了。

但是對于初學(xué)者來說，這樣處理好的數(shù)據(jù)看起來不是太直觀，我們使用Pandas將其還原為DataFrame的形式，可以直觀地看出這個數(shù)據(jù)集到底是什么樣的：

對于熟悉使用pandas的同學(xué)來說，這樣看這個數(shù)據(jù)集是不是親切多了。

好了，我們可以直接進(jìn)行下一步。

2、分割訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)

為了檢驗我們創(chuàng)建和訓(xùn)練好的機(jī)器學(xué)習(xí)模型的效果，將數(shù)據(jù)集分割為訓(xùn)練集和測試集是必須的。

而在sklearn中，也有一個專門的接口方法用于分割數(shù)據(jù)集的訓(xùn)練集和測試集——train_test_split，我們首先導(dǎo)入它：

然后將我們的數(shù)據(jù)集data傳入，并設(shè)置測試集的比例為15%：

3、選擇一個回歸算法估計器

在sklearn中，所有的機(jī)器學(xué)習(xí)算法都以“估計器”的形式來呈現(xiàn)，每一個估計器都是一個類，機(jī)器學(xué)習(xí)模型通過實例化一個估計器的類來進(jìn)行創(chuàng)建。比如線性回歸的算法估計器：

每一個算法估計器，無論是監(jiān)督學(xué)習(xí)算法還是非監(jiān)督學(xué)習(xí)算法，都擁有一個fit()方法，用于接收訓(xùn)練數(shù)據(jù)集來訓(xùn)練數(shù)據(jù)，比如這樣：

同時每一個算法估計器都有用一個predict()方法，用于接收數(shù)據(jù)來進(jìn)行預(yù)測，比如這樣：

在sklearn中，各類機(jī)器學(xué)習(xí)算法的API設(shè)計根據(jù)不同的用途的算法進(jìn)行劃分，我們可以方便地調(diào)用自己想要的算法，每一個監(jiān)督學(xué)習(xí)算法，都由一個單獨的子模塊構(gòu)成，其下包含算法的具體類，比如廣義的線性回歸算法：

其中根據(jù)用途，有的算法 可細(xì)分為用于回歸的估計器和用于分類的估計器。

在此，我們選擇隨機(jī)森林算法的用于回歸的估計器：

首先，導(dǎo)入算法估計器：

接著，實例化隨機(jī)森林回歸估計器，設(shè)置算法的參數(shù)并將訓(xùn)練集傳入進(jìn)行訓(xùn)練：

訓(xùn)練好模型之后，再使用predict()方法對訓(xùn)練集進(jìn)行預(yù)測：

這樣，我們就獲得了使用隨機(jī)森林回歸模型對測試集進(jìn)行預(yù)測的數(shù)據(jù)了，其為一個一維數(shù)組，我們可以直接打印出來看到：

還記得我們分割訓(xùn)練測試集的時候，有過一個y_test的數(shù)組吧？它是測試集x_test數(shù)據(jù)特征對應(yīng)正確的房價結(jié)果，我們也來看看其數(shù)據(jù)：

如何比較正確數(shù)組和預(yù)測出來的數(shù)組的值的正確度呢？一個比較蠢的方法是通過遍歷這兩個數(shù)組進(jìn)行對比，查看其差值：

如果測試數(shù)據(jù)集少的話，這樣來比較似乎工作量還不大，要是測試集很大那就沒辦法了。幸而，sklearn中也提供了對模型的評估方法，所有的評估方法都集成在sklearn.metrics子模塊中。針對回歸模型，我們可以使用平均絕對誤差MAE和均方差MSE以及R2分?jǐn)?shù)來對回歸模型評估：

然后在評估方法中傳入預(yù)測數(shù)組和正確數(shù)組：

最終得到了我們的平均絕對誤差值、均方差值和R2分?jǐn)?shù)。其中，R2分?jǐn)?shù)理論最佳值為1，平均絕對誤差理論最佳值為0.0，均方差理論最佳值也為0.0.

嗯，這個機(jī)器學(xué)習(xí)隨機(jī)森林回歸模型的效果如何？大家自己評估，也可以自己調(diào)用其他的回歸模型來測試，看看哪個算法對這個數(shù)據(jù)集的預(yù)測效果較好。

以上就是Python AI中如何使用機(jī)器學(xué)習(xí)回歸模型預(yù)測房價，小編相信有部分知識點可能是我們?nèi)粘９ぷ鲿姷交蛴玫降?。希望你能通過這篇文章學(xué)到更多知識。更多詳情敬請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

文章名稱：PythonAI中如何使用機(jī)器學(xué)習(xí)回歸模型預(yù)測房價
網(wǎng)站鏈接：http://bm7419.com/article22/igcccc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供電子商務(wù)、外貿(mào)建站、網(wǎng)站內(nèi)鏈、微信小程序、服務(wù)器托管、網(wǎng)站設(shè)計

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)