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(cè)房?jī)r(jià)，小編覺(jué)得挺實(shí)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(shuō)，跟著小編一起來(lái)看看吧。

專(zhuān)業(yè)從事企業(yè)網(wǎng)站建設(shè)和網(wǎng)站設(shè)計(jì)服務(wù)，包括網(wǎng)站建設(shè)、域名注冊(cè)、網(wǎng)絡(luò)空間、企業(yè)郵箱、微信公眾號(hào)開(kāi)發(fā)、微信支付寶微信平臺(tái)小程序開(kāi)發(fā)、app軟件開(kāi)發(fā)公司、軟件開(kāi)發(fā)、等服務(wù)。公司始終通過(guò)不懈的努力和以更高的目標(biāo)來(lái)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(shí)，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(cè)

今天我們來(lái)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(cè)。

回歸預(yù)測(cè)主要用于預(yù)測(cè)與對(duì)象關(guān)聯(lián)的連續(xù)值屬性，得到數(shù)值型的預(yù)測(cè)數(shù)據(jù)?；貧w預(yù)測(cè)的應(yīng)用場(chǎng)景有各類(lèi)的價(jià)格預(yù)測(cè)、相關(guān)性的反應(yīng)預(yù)測(cè)等。

下面，我們就使用sklearn模塊，以一個(gè)sklearn中集成的波士頓房?jī)r(jià)數(shù)據(jù)集來(lái)演示如何進(jìn)行回歸預(yù)測(cè)。

二、波士頓房?jī)r(jià)預(yù)測(cè)

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(gè)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(duì)應(yīng)的目標(biāo)值，feature_name則是數(shù)據(jù)特征的名稱(chēng)。

我們先來(lái)看看數(shù)據(jù)特征的名稱(chēng)：

可以發(fā)現(xiàn)數(shù)據(jù)集中有13個(gè)特征，每個(gè)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(gè)數(shù)據(jù)特征的含義如下：

• CRIM：人均犯罪率 ；

• ZN：住宅用地超過(guò)兩萬(wàn)五千平方英尺的比例 ；

• INDUS：城鎮(zhèn)的非零售營(yíng)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(gè)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(wàn)美元財(cái)產(chǎn)的全額財(cái)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(jià)格中值

再來(lái)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(duì)應(yīng)13個(gè)數(shù)據(jù)特征。而目標(biāo)數(shù)據(jù)值的也正好是506個(gè)：

相當(dāng)于是已經(jīng)處理好的數(shù)據(jù)了。

但是對(duì)于初學(xué)者來(lái)說(shuō)，這樣處理好的數(shù)據(jù)看起來(lái)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(gè)數(shù)據(jù)集到底是什么樣的：

對(duì)于熟悉使用pandas的同學(xué)來(lái)說(shuō)，這樣看這個(gè)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(cè)試數(shù)據(jù)

為了檢驗(yàn)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(cè)試集是必須的。

而在sklearn中，也有一個(gè)專(zhuān)門(mén)的接口方法用于分割數(shù)據(jù)集的訓(xùn)練集和測(cè)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(cè)試集的比例為15%：

3、選擇一個(gè)回歸算法估計(jì)器

在sklearn中，所有的機(jī)器學(xué)習(xí)算法都以“估計(jì)器”的形式來(lái)呈現(xiàn)，每一個(gè)估計(jì)器都是一個(gè)類(lèi)，機(jī)器學(xué)習(xí)模型通過(guò)實(shí)例化一個(gè)估計(jì)器的類(lèi)來(lái)進(jìn)行創(chuàng)建。比如線性回歸的算法估計(jì)器：

每一個(gè)算法估計(jì)器，無(wú)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(gè)fit()方法，用于接收訓(xùn)練數(shù)據(jù)集來(lái)訓(xùn)練數(shù)據(jù)，比如這樣：

同時(shí)每一個(gè)算法估計(jì)器都有用一個(gè)predict()方法，用于接收數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)，比如這樣：

在sklearn中，各類(lèi)機(jī)器學(xué)習(xí)算法的API設(shè)計(jì)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(gè)監(jiān)督學(xué)習(xí)算法，都由一個(gè)單獨(dú)的子模塊構(gòu)成，其下包含算法的具體類(lèi)，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(jì)器和用于分類(lèi)的估計(jì)器。

在此，我們選擇隨機(jī)森林算法的用于回歸的估計(jì)器：

首先，導(dǎo)入算法估計(jì)器：

接著，實(shí)例化隨機(jī)森林回歸估計(jì)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(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)：

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

還記得我們分割訓(xùn)練測(cè)試集的時(shí)候，有過(guò)一個(gè)y_test的數(shù)組吧？它是測(cè)試集x_test數(shù)據(jù)特征對(duì)應(yīng)正確的房?jī)r(jià)結(jié)果，我們也來(lái)看看其數(shù)據(jù)：

如何比較正確數(shù)組和預(yù)測(cè)出來(lái)的數(shù)組的值的正確度呢？一個(gè)比較蠢的方法是通過(guò)遍歷這兩個(gè)數(shù)組進(jìn)行對(duì)比，查看其差值：

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

然后在評(píng)估方法中傳入預(yù)測(cè)數(shù)組和正確數(shù)組：

最終得到了我們的平均絕對(duì)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(duì)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(gè)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(píng)估，也可以自己調(diào)用其他的回歸模型來(lái)測(cè)試，看看哪個(gè)算法對(duì)這個(gè)數(shù)據(jù)集的預(yù)測(cè)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(cè)房?jī)r(jià)，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

文章名稱(chēng)：PythonAI中如何使用機(jī)器學(xué)習(xí)回歸模型預(yù)測(cè)房?jī)r(jià)
網(wǎng)站鏈接：http://aaarwkj.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(jì)

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(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)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(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)