?

目錄

?一、波士頓房價預測（正規方程優化）

?API

1、獲取數據集

2、劃分數據集

3、標準化

4、 創建預估器，得到模型

5、模型評估（均方差評估）

?代碼

二、波士頓房價預測（正規方程優化）

?API

?代碼

?總代碼

---

?一、波士頓房價預測（正規方程優化）

?API

sklearn.linear_model.LinearRegression

1、獲取數據集

# 1、獲取數據集boston = load_boston()

?

2、劃分數據集

# 2、劃分數據集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)

3、標準化

# 3、標準化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)

4、 創建預估器，得到模型

# 4、創建預估器，得到模型estimator = LinearRegression()              #正規方程優化estimator.fit(train_data, train_target)     #訓練

# showprint('正規方程 權重系數：', estimator.coef_)print('正規方程 偏置：', estimator.intercept_)

?

5、模型評估（均方差評估）

通過求均方差的方式對得到的模型進行評估，均方差較小的模型效果更好。

# 5、模型評估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正規方程 均方差：', error)

?

?

?代碼

# 1、正規方程優化
def Linear1():# 1、獲取數據集boston = load_boston()# print(boston)# 2、劃分數據集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、標準化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、創建預估器，得到模型estimator = LinearRegression()              #正規方程優化estimator.fit(train_data, train_target)     #訓練# showprint('正規方程 權重系數：', estimator.coef_)print('正規方程 偏置：', estimator.intercept_)# 5、模型評估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正規方程 均方差：', error)

二、波士頓房價預測（正規方程優化）

?API

sklearn.linear_model.SGDRegressor

過程和上面類似。?

?

?代碼

# 2、梯度下降優化
def Linear2():# 1、獲取數據集boston = load_boston()# print(boston)# 2、劃分數據集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、標準化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、創建預估器estimator = SGDRegressor()                  #梯度下降優化estimator.fit(train_data, train_target)     #訓練# 得到模型print('梯度下降 權重系數：', estimator.coef_)print('梯度下降 偏置：', estimator.intercept_)# 5、模型評估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('梯度下降 均方差：', error)

?總代碼

# 線性回歸：波士頓房價預測（正規方程，梯度下降）
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
from sklearn.metrics import mean_squared_error# 1、正規方程優化
def Linear1():# 1、獲取數據集boston = load_boston()# print(boston)# 2、劃分數據集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、標準化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、創建預估器，得到模型estimator = LinearRegression()              #正規方程優化estimator.fit(train_data, train_target)     #訓練# showprint('正規方程 權重系數：', estimator.coef_)print('正規方程 偏置：', estimator.intercept_)# 5、模型評估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('正規方程 均方差：', error)# 2、梯度下降優化
def Linear2():# 1、獲取數據集boston = load_boston()# print(boston)# 2、劃分數據集train_data, test_data, train_target, test_target = train_test_split(boston.data, boston.target, random_state=22)# print(train_data)# 3、標準化transfer = StandardScaler()train_data = transfer.fit_transform(train_data)test_data = transfer.transform(test_data)# print(train_data)# 4、創建預估器estimator = SGDRegressor()                  #梯度下降優化estimator.fit(train_data, train_target)     #訓練# 得到模型print('梯度下降 權重系數：', estimator.coef_)print('梯度下降 偏置：', estimator.intercept_)# 5、模型評估predict = estimator.predict(test_data)error = mean_squared_error(test_target, predict)print('梯度下降 均方差：', error)if __name__ == '__main__':Linear1()           # 正規方程Linear2()           # 梯度下降

總結

以上是生活随笔為你收集整理的机器学习（11）线性回归（2）实战 -- 正规方程优化、梯度下降优化（波士顿房价预测）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。