期末大作业

1、回归模型预测波士顿房价

（1）导入boston房价数据集

from sklearn import datasets
# 波士顿房价数据集
data = datasets.load_boston()

import pandas as pd
# 转为DataFrame
dataDF = pd.DataFrame(data.data,columns=data.feature_names)

（2）划分数据集

# 划分数据集
x_train, x_test, y_train, y_test = train_test_split(data.data,data.target,test_size=0.3)
print(x_train.shape,y_train.shape)

# 建立多项式性回归模型
mlr = LinearRegression()
mlr.fit(x_train,y_train)
print('系数',mlr.coef_,"\n截距",mlr.intercept_)

（3）多项式线性回归模型好坏

# 检测模型好坏
from sklearn.metrics import regression
y_predict = mlr.predict(x_test)
# 计算模型的预测指标
print("预测的均方误差：", regression.mean_squared_error(y_test,y_predict))
print("预测的平均绝对误差：", regression.mean_absolute_error(y_test,y_predict))
# 打印模型的分数
print("模型的分数：",mlr.score(x_test, y_test))

　

建立多元多项式回归模型

 

# 多元多项式回归模型
# 多项式化
poly2 = PolynomialFeatures(degree=2)
x_poly_train = poly2.fit_transform(x_train)
x_poly_test = poly2.transform(x_test)

# 建立模型
mlrp = LinearRegression()
mlrp.fit(x_poly_train, y_train)

（4）预测多元多项式回归模型好坏

# 预测
y_predict2 = mlrp.predict(x_poly_test)
# 检测模型好坏
# 计算模型的预测指标
print("预测的均方误差：", regression.mean_squared_error(y_test,y_predict2))
print("预测的平均绝对误差：", regression.mean_absolute_error(y_test,y_predict2))
# 打印模型的分数
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.

一个模型如果是线性的，就意味着它的参数项要么是常数，要么是原参数和要预测的特征之间的乘积加和就是我们要预测的值。

多项式回归做出来的模型会好一点。因为多项式模型不仅仅是一条直线，它是一条平滑的曲线，更贴合样本点的分布。并且多项式回归模型的误差也明显比线性的小。

 

2、中文文本分类

（1）导包；导入jiaba库；导入停用词。

import os
import numpy as np
import sys
from datetime import datetime
import gc
path = 'F:\\计算机\\147'

#导入结巴库，并将需要用到的词库加进字典
import jieba
#导入停用词：
with open(r'F:\杜云梅\stopsCN.txt',encoding='utf-8')as f:
    stopwords = f.read().split('\n')

（2）去掉非字母汉字的字符；jieba分词；去掉停用词。

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 stopwords])
    return tokens

（3）用os.walk获取需要的变量，并拼接文件路径再打开每一个文件

tokenList = []
targetList = []
#用os.walk获取需要的变量，并拼接文件路径再打开每一个文件
for root,dirs,files in os.walk(path):
    for f in files:
        filePath = os.path.join(root,f)
        with open(filePath, encoding='utf-8') as f:
            content = f.read()
        target = filePath.split('\\')[-2]
        targetList.append(target)
        tokenList.append(processing(content))

　输出tokenList

（4）将content_list列表向量化再建模，将模型用于预测并评估模型

#划分训练集测试集并建立特征向量，为建立模型做准备
#划分训练集测试集 
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB,MultinomialNB
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
x_train,x_test,y_train,y_test = train_test_split(tokenList,targetList,test_size=0.2,stratify=targetList)
#转化为特征向量，这里选择TfidfVectorizer的方式建立特征向量。不同新闻的词语使用会有较大不同。
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)
#建立模型，这里用多项式朴素贝叶斯，因为样本特征的a分布大部分是多元离散值
mnb = MultinomialNB()
module = mnb.fit(X_train,y_train)

　（5）输出评估报告

#进行预测
y_predict = module.predict(X_test)
#输出模型精确度
scores=cross_val_score(mnb,X_test,y_test,cv=5)
print("Accuracy:%.3f"%scores.mean())
#输出模型评估报告
print("classification_report:\n",classification_report(y_predict,y_test))