Python全系列 教程
3567个小节阅读:5930.6k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
sklearn中实现线性回归使用sklearn.linear_model.LinearRegression
根据波士顿历史房价数据建立回归模型,并检测模型准确率
ximport numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
boston = datasets.load_boston() # 加载波士顿房子数据集
print(boston.DESCR) # 查看数据描述
X = boston.data # 特征
y = boston.target # 标签
plt.scatter(X[:,5],y) # 从图中发现,房价超过50万的样本可能有异常
plt.show()
X = X[y<50.0] # 选择房价小于50万的样本特征
y = y[y<50.0] # 选择房价小于50万的样本标签
from sklearn.model_selection import train_test_split
# 拆分数据集
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=666)
# 特征标准化处理
from sklearn.preprocessing import StandardScaler
std = StandardScaler()
# 对训练样本集进行特征标准化处理
X_train_standard = std.fit_transform(X_train)
# 对测试样本集进行特征标准化处理,要注意这里不能fit了!
X_test_standard = std.transform(X_test)
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
# 使用标准化后的训练样本集进行拟合学习(建立合适的线性回归模型)
lin_reg.fit(X_train_standard,y_train)
# 在测试集上测试模型的优劣,使用的是R^2标准
print(lin_reg.score(X_test_standard,y_test))
1.实现特征标准化处理,使用sklearn中的:
A train_test_split
B StandardScaler
C normalize
D 以上均不正确
2.实现线性回归,使用sklearn中的:
A train_test_split
B StandardScaler
C LinearRegression
D 以上均不正确
1=>B 2=>C