波士頓房價數據鏈接：https://pan.baidu.com/s/1JPrcNl1AgNCKEHCjOGyHvQ?
提取碼：1234

import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn import metrics #評價函數庫 import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor #導入隨機森林 from sklearn.model_selection import GridSearchCV #網格搜索驗證 from sklearn import tree import pydotplus #繪制隨機森林 from IPython.display import Image,display #顯示圖像 %matplotlib inline #在當前環境中顯示圖像 df = pd.read_csv("D:/波士頓房價預測/boston_housing_data.csv") df.dropna(inplace=True) #消除空值 x = df.drop(["MEDV"],axis = 1) #x選取前13個特征 y = df["MEDV"] #y選取房價 x_train,x_test,y_train,y_test = train_test_split(x,y,random_state = 0) #定義網格搜索 param_grid = {"n_estimators":[5,10,20,100,200], #數值均可預設"max_depth":[3,5,7],"max_features":[0.6,0.7,0.8,1] } rf = RandomForestRegressor() grid = GridSearchCV(rf,param_grid=param_grid,cv = 3) #在網格搜索前提下訓練，調參助手——找到最優參數 grid.fit(x_train,y_train) #訓練 grid.best_params_ #查看最好參數

model = grid.best_estimator_ #選中最好的參數作為模型參數 model

plt.figure(figsize=(20,20))estimator = model.estimators_[9] #顯示第9顆樹 data = tree.export_graphviz(estimator,out_file=None,filled=True,rounded=True ) graph = pydotplus.graph_from_dot_data(data) graph display(Image(graph.create_png()))

model.feature_importances_ #特征重要度分析，數值越大，影響越大

model.predict(x_test) #預測

#計算mse均分誤差，開根號得均方根誤差 MSE = metrics.mean_squared_error(y_test,model.predict(x_test)) MSE

總結

以上是生活随笔為你收集整理的波士顿房价数据集——随机森林的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。