机器学习1：线性回归模型解决波士顿房价预测和研究生入学率问题

2022-11-27 11:29:21 浏览数 (1)

Python机器学习实战1：使用线性回归模型来解决波士顿房价预测和研究生入学率问题

文章目录

  • boston房价预测
    • 导入库
    • 获取数据集
    • 线性回归
  • 研究生入学率
    • 导入库
    • 导入数据
    • 模型训练

boston房价预测

导入库

代码语言：javascript复制
from  sklearn.linear_model import LinearRegression
from  sklearn.datasets import load_boston
import matplotlib.pyplot as plt
%matplotlib inline

获取数据集

代码语言：javascript复制
bosten = load_boston()

线性回归

  • 模型训练
代码语言：javascript复制
clf = LinearRegression()
clf.fit(bosten.data[:,5:6],bosten.target)  #模型训练
x = bosten.data[:,5:6]
  • 回归系数
代码语言：javascript复制
clf.coef_
代码语言：javascript复制
array([9.10210898])
  • 预测值
代码语言：javascript复制
y_pre = clf.predict(bosten.data[:,5:6])  #模型的输出值
  • 可视化
代码语言：javascript复制
plt.scatter(x,bosten.target)
plt.plot(x,y_pre)
plt.show()

研究生入学率

导入库

代码语言：javascript复制
import pandas as pd
from sklearn.linear_model import LogisticRegression  #逻辑回归
from sklearn.model_selection import train_test_split  #测试集训练集分割
from sklearn.metrics import classification_report

导入数据

代码语言：javascript复制
data = pd.read_csv(r"LogisticRegression.csv")
data_tr,data_te,label_tr,label_te = train_test_split(data.iloc[:,1:],data["admit"],test_size = 0.2)
代码语言：javascript复制
data.iloc[:,1:]

gre

gpa

rank

0

380

3.61

3

1

660

3.67

3

2

800

4.00

1

3

640

3.19

4

4

520

2.93

4

...

...

...

...

395

620

4.00

2

396

560

3.04

3

397

460

2.63

2

398

700

3.65

2

399

600

3.89

3

400 rows × 3 columns

代码语言：javascript复制
data_tr.head()

gre

gpa

rank

252

520

4.00

2

94

660

3.44

2

41

580

3.32

2

2

800

4.00

1

207

640

3.63

1

代码语言：javascript复制
data_te.head()

gre

gpa

rank

45

460

3.45

3

311

660

3.67

2

391

660

3.88

2

357

720

3.31

1

117

700

3.72

2

模型训练

代码语言：javascript复制
clf = LogisticRegression()
clf.fit(data_tr,label_tr)  #模型训练
pre = clf.predict(data_te) #模型预测
  • 预测出来的标签，label_te实际值
代码语言：javascript复制
pre
代码语言：javascript复制
array([0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int64)
  • sklearn中的classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。
代码语言：javascript复制
res = classification_report(label_te,pre)
代码语言：javascript复制
print(res)
代码语言：javascript复制
              precision    recall  f1-score   support

           0       0.71      0.89      0.79        56
           1       0.40      0.17      0.24        24

    accuracy                           0.68        80
   macro avg       0.56      0.53      0.51        80
weighted avg       0.62      0.68      0.63        80

到这里就结束了，如果对你有帮助你，欢迎点赞关注，你的点赞对我很重要

线性回归

0 人点赞