ML之回歸預(yù)測：利用Lasso、ElasticNet、GBDT等算法構(gòu)建集成學(xué)習(xí)算法AvgModelsR對國內(nèi)某平臺上海2020年6月份房價數(shù)據(jù)集【12+1】進行回歸預(yù)測(模型評估、模型推理)

?

?

?

目錄

利用Lasso、ElasticNet、GBDT等算法構(gòu)建集成學(xué)習(xí)算法AvgModelsR對國內(nèi)某平臺上海2020年6月份房價數(shù)據(jù)集【12+1】進行回歸預(yù)測(模型評估、模型推理)

1、數(shù)據(jù)集基本信息

2、模型結(jié)果輸出

---

?

?

相關(guān)文章
ML之回歸預(yù)測：利用Lasso、ElasticNet、GBDT等算法構(gòu)建集成學(xué)習(xí)算法AvgModelsR對國內(nèi)某平臺上海2020年6月份房價數(shù)據(jù)集【12+1】進行回歸預(yù)測(模型評估、模型推理)
ML之回歸預(yù)測：利用Lasso、ElasticNet、GBDT等算法構(gòu)建集成學(xué)習(xí)算法AvgModelsR對國內(nèi)某平臺上海2020年6月份房價數(shù)據(jù)集【12+1】進行回歸預(yù)測(模型評估、模型推理)實現(xiàn)

利用Lasso、ElasticNet、GBDT等算法構(gòu)建集成學(xué)習(xí)算法AvgModelsR對國內(nèi)某平臺上海2020年6月份房價數(shù)據(jù)集【12+1】進行回歸預(yù)測(模型評估、模型推理)

1、數(shù)據(jù)集基本信息

(3000, 13) 13 3000total_price object unit_price object roomtype object height object direction object decorate object area object age float64 garden object district object total_price_Num float64 unit_price_Num int64 area_Num float64 dtype: objectIndex(['total_price', 'unit_price', 'roomtype', 'height', 'direction','decorate', 'area', 'age', 'garden', 'district', 'total_price_Num','unit_price_Num', 'area_Num'],dtype='object')total_price unit_price roomtype ... total_price_Num unit_price_Num area_Num 0 290萬 46186元/平米 2室1廳 ... 290.0 46186 62.79 1 599萬 76924元/平米 2室1廳 ... 599.0 76924 77.87 2 420萬 51458元/平米 2室1廳 ... 420.0 51458 81.62 3 269.9萬 34831元/平米 2室2廳 ... 269.9 34831 77.49 4 383萬 79051元/平米 1室1廳 ... 383.0 79051 48.45[5 rows x 13 columns]total_price unit_price roomtype ... total_price_Num unit_price_Num area_Num 2995 230萬 43144元/平米 1室1廳 ... 230.0 43144 53.31 2996 372萬 75016元/平米 1室1廳 ... 372.0 75016 49.59 2997 366萬 49973元/平米 2室1廳 ... 366.0 49973 73.24 2998 365萬 69103元/平米 2室1廳 ... 365.0 69103 52.82 2999 420萬 49412元/平米 2室2廳 ... 420.0 49412 85.00[5 rows x 13 columns] <class 'pandas.core.frame.DataFrame'> RangeIndex: 3000 entries, 0 to 2999 Data columns (total 13 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 total_price 3000 non-null object 1 unit_price 3000 non-null object 2 roomtype 3000 non-null object 3 height 3000 non-null object 4 direction 3000 non-null object 5 decorate 3000 non-null object 6 area 3000 non-null object 7 age 2888 non-null float648 garden 3000 non-null object 9 district 3000 non-null object 10 total_price_Num 3000 non-null float6411 unit_price_Num 3000 non-null int64 12 area_Num 3000 non-null float64 dtypes: float64(3), int64(1), object(9) memory usage: 304.8+ KBage total_price_Num unit_price_Num area_Num count 2888.000000 3000.000000 3000.000000 3000.000000 mean 2001.453601 631.953450 58939.028333 102.180667 std 9.112425 631.308855 25867.208297 62.211662 min 1911.000000 90.000000 11443.000000 17.050000 25% 1996.000000 300.000000 40267.500000 67.285000 50% 2003.000000 437.000000 54946.000000 89.230000 75% 2008.000000 738.000000 73681.250000 119.035000 max 2018.000000 9800.000000 250813.000000 801.140000

?

?

2、模型結(jié)果輸出

AvgModelsR(models=(Pipeline(steps=[('robustscaler', RobustScaler()),('lasso',Lasso(alpha=0.001, random_state=1))]),Pipeline(steps=[('robustscaler', RobustScaler()),('elasticnet',ElasticNet(alpha=0.001, l1_ratio=0.9,random_state=3))]),GradientBoostingRegressor(random_state=5))) R2_res [0.9944881811696309, 0.000626615309319283, array([0.99470591, 0.99512495, 0.99435729, 0.99491104, 0.99334171])] MAE_res [-0.004994183753322101, 0.0001083601234287803, array([-0.00493338, -0.005202 , -0.00489054, -0.00498097, -0.00496404])] RMSE_res [-8.323227156546791e-05, 9.870911328329942e-06, array([-8.14778066e-05, -7.79621763e-05, -7.93078692e-05, -7.49049128e-05,-1.02508593e-04])] AvgModelsR(models=(Pipeline(steps=[('robustscaler', RobustScaler()),('lasso',Lasso(alpha=0.001, random_state=1))]),Pipeline(steps=[('robustscaler', RobustScaler()),('elasticnet',ElasticNet(alpha=0.001, l1_ratio=0.9,random_state=3))]),GradientBoostingRegressor(random_state=5))) Avg_Best_models Score value: 0.9947618159336031 Avg_Best_models R2 value: 0.9947618159336031 Avg_Best_models MAE value: 0.0064209273962331555 Avg_Best_models MSE value: 9.023779248949011e-05Avg_Best_models模型花費時間： 0:06:14.344069

?

?

?

?

?

?

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的ML之回归预测：利用Lasso、ElasticNet、GBDT等算法构建集成学习算法AvgModelsR对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(模型评估、模型推理)的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。