期末大作业
一、boston房价预测
1. 读取数据集
#1. 读取数据集 from sklearn.datasets import load_boston data = load_boston()
2. 训练集与测试集划分
#2. 训练集与测试集划分 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test= train_test_split(data.data,data.target,test_size=0.3)
3. 线性回归模型:建立13个变量与房价之间的预测模型,并检测模型好坏。
#3. 线性回归模型:建立13个变量与房价之间的预测模型,并检测模型好坏。 from sklearn.linear_model import LinearRegression mlr = LinearRegression() mlr.fit(x_train,y_train) print('系数',mlr.coef_,"\n","截距",mlr.intercept_) from sklearn.metrics import regression y_pred = mlr.predict(x_test) print("预测的均方误差:", regression.mean_squared_error(y_test,y_pred)) print("预测的平均绝对误差:", regression.mean_absolute_error(y_test,y_pred)) print("模型的分数:",mlr.score(x_test, y_test))
4. 多项式回归模型:建立13个变量与房价之间的预测模型,并检测模型好坏。
#4. 多项式回归模型:建立13个变量与房价之间的预测模型,并检测模型好坏。 from sklearn.preprocessing import PolynomialFeatures a = PolynomialFeatures(degree=2) x_poly_train = a.fit_transform(x_train) x_poly_test = a.transform(x_test) mlrp = LinearRegression() mlrp.fit(x_poly_train, y_train) y_pred2 = mlrp.predict(x_poly_test) print("预测的均方误差:", regression.mean_squared_error(y_test,y_pred2)) print("预测的平均绝对误差:", regression.mean_absolute_error(y_test,y_pred2)) print("模型的分数:",mlrp.score(x_poly_test, y_test))
5. 比较线性模型与非线性模型的性能,并说明原因。
非线性模型,即多项式回归模型性能较好,因为它是有很多点连接而成的曲线,对样本的拟合程度较高,预测效果误差较小
二、中文文本分类
按学号未位下载相应数据集。
147:财经、彩票、房产、股票、
258:家居、教育、科技、社会、时尚、
0369:时政、体育、星座、游戏、娱乐
分别建立中文文本分类模型,实现对文本的分类。基本步骤如下:
1.各种获取文件,写文件
2.除去噪声,如:格式转换,去掉符号,整体规范化
3.遍历每个个文件夹下的每个文本文件。
4.使用jieba分词将中文文本切割。
中文分词就是将一句话拆分为各个词语,因为中文分词在不同的语境中歧义较大,所以分词极其重要。
可以用jieba.add_word('word')增加词,用jieba.load_userdict('wordDict.txt')导入词库。
维护自定义词库
5.去掉停用词。
维护停用词表
6.对处理之后的文本开始用TF-IDF算法进行单词权值的计算
7.贝叶斯预测种类
8.模型评价
9.新文本类别预测
#导包 import jieba import os # 导入停用词 stopword=open('g:\大三上\数据挖掘基础算法\dazuoye\stopsCN.txt','r',encoding="utf-8").read() #数据处理 def processing(tokens): # 去掉非字母汉字的字符 tokens = "".join([char for char in tokens if char.isalpha()]) # 结巴分词 tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2] # 去掉停用词 tokens = " ".join([token for token in tokens if token not in stopword]) return tokens #读取文件 all_txt=[] all_target=[] path = r'D:\大三上\数据挖掘基础算法\dazuoye\0369' files = os.listdir(path) for root,dirs,files in os.walk(path): for file in files: filepath = os.path.join(root, file) # 文件路径 tokens=open(filepath,'r',encoding='utf-8').read() tokens=processing(tokens) all_txt.append(tokens) target = filepath.split('\\')[-2]#按文件夹获取特征名 all_target.append(target) #对处理之后的文本开始用TF-IDF算法进行单词权值的计算 str='' for i in range(len(all_txt)): str=str+all_txt[i] import jieba.analyse top_value = jieba.analyse.extract_tags(str, topK=10, withWeight=True,allowPOS=()) print(top_value) #按0.7:0.3比例分为训练集和测试集 from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test=train_test_split(all_txt,all_target,test_size=0.3,stratify=all_target) #将其向量化 from sklearn.feature_extraction.text import TfidfVectorizer vectorizer=TfidfVectorizer() X_train=vectorizer.fit_transform(x_train) X_test=vectorizer.transform(x_test) #分类结果显示 from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report from sklearn.naive_bayes import MultinomialNB mnb=MultinomialNB()#建立模型 clf=mnb.fit(X_train,y_train)#训练模型 #x_test预测结果 y_nb_pred = clf.predict(X_test) print(y_nb_pred.shape,y_nb_pred) #主要分类指标的文本报告 print('nb_classification_report:') cr=classification_report(y_test,y_nb_pred) print(cr) #输出精确度 from sklearn.model_selection import cross_val_score score=cross_val_score(mnb,X_train,y_train,cv=5) print("准确率:%.2f"%score.mean()) #实际结果与预测结果的对比 import collections testCount = collections.Counter(y_test) predCount = collections.Counter(y_nb_pred) print('实际:',testCount,'\n', '预测:', predCount) # 建立标签列表,实际结果列表,预测结果列表, nameList = list(testCount.keys()) testList = list(testCount.values()) predList = list(predCount.values()) x = list(range(len(nameList))) print("类别:",nameList,'\n',"实际:",testList,'\n',"预测:",predList) # 对以上数据进行画图显示 import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams['font.sans-serif'] = ['youyuan'] # 指定默认字体 plt.figure(figsize=(7,5)) total_width, n = 0.6, 2 width = total_width / n plt.bar(x, testList, width=width,label='实际',fc = 'y') for i in range(len(x)): x[i] = x[i] + width plt.bar(x, predList,width=width,label='预测',tick_label = nameList,fc='g') plt.grid() plt.title('实际和预测对比图',fontsize=17) plt.xlabel('类别',fontsize=17) plt.ylabel('频数',fontsize=17) plt.legend(fontsize =17) plt.tick_params(labelsize=15) plt.show()