ML | Boston Housing Kaggle Challenge с линейной регрессией

Michael Zippo

Описание набора данных взято из

Давайте создадим модель линейной регрессии, предсказывающую цены на жилье

Ввод и набор данных из библиотек.

# Импорт библиотек

import numpy как np

import панды как pd

import matplotlib.pyplot as plt

# Данные импортировать

из sklearn.datasets import load_boston

boston = load_boston ()

Ввод данных в Бостоне и форма function_names

boston.data.shape

boston.feature_names

Преобразование данных массива nd в данные кадр и добавление имен данных в данные

data = pd.DataFrame (boston.data)

data.columns = boston.feature_names

data.head ( 10 )

Добавление столбца "Цена" в набор данных

# Добавление столбца "Цена" (цель) к данным
boston.target.shape

данные [ `Цена` ] = boston.target

data.head ()

Описание набора данных в Бостоне

data.describe ()

Информация о наборе данных по Бостону

data.info ()

Получение входных и выходных данных и дальнейшее разделение данных на набор данных для обучение и тестирование.

  # Входные данные 
  x   =   boston.data 

 # Вывод 
 y   =   boston.target 


 # разделение данных на обучающие и тестовые данные. 
 from   sklearn.cross_validation   import   train_test_split 
 xtrain, xtest, ytrain, ytest   =   train_test_split (x, y, test_size   =   0,2  , 
   random_state   =   0  ) 
 
 print   (  "xtrain shape:"  , xtrain.shape) 
  print   (   "xtest shape:"  , xtest.shape) 
 print   ( " ytrain shape: " , ytrain.shape) 
 print   (  "ytest shape:"  , ytest.shape)

Применение модели линейной регрессии к набору данных и прогнозированию цен.

# Подгонка регрессионной модели машинного обучения в модель обучения

from sklearn.linear_model import LinearRegression

regressor = Линейная регрессия ( )

regressor.fit (xtrain, ytrain)

# предсказание результатов теста

y_pred = regressor.predict (xtest)

Построить точечную диаграмму для отображения результаты прогноза — Значение ytrue и значение y_pred

# Точечная диаграмма для отображения прогноза
# результаты - значение ytrue в сравнении со значением y_pred

plt.scatter (ytest, y_pred, c = `green` )

plt.xlabel( "Цена: в 1000 долларов" )

plt.ylabel ( "Предсказанный значение" )

plt .title ( "Истинное значение против предсказанного значения: линейная регрессия" )

plt.show ()

Результаты линейной регрессии, т.е. среднеквадратическая ошибка.

# Результаты линейной регрессии.

from sklearn.metrics import mean_squared_error

mse = mean_squared_error (ytest, y_pred)

print ( "Среднеквадратическая ошибка:" , mse)