机器学习-分类算法-线性回归、梯度下降,过拟合欠拟合,岭回归11

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
梯度下降重点
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

正规方程去进行房价预测

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler


def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理(实例化2个标准化API)
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))


    # estimator预测
    # 正规方程求解预测结果
    lr = LinearRegression()
    lr.fit(x_train,y_train)
    print(lr.coef_)

    # 预测测试集的房子价格
    y_predict = lr.predict(x_test)
    y_predict = std_y.inverse_transform(y_predict)# 将降维后的数据转换成原始数据
    print("测试集里面每个房子的预测价格:",y_predict)


    return None


if __name__=="__main__":
    mylinear()

在这里插入图片描述

使用梯度下降去进行房价预测

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler


def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理(实例化2个标准化API)
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))


    # estimator预测
    # # 正规方程求解预测结果
    # lr = LinearRegression()
    # lr.fit(x_train,y_train)
    # print(lr.coef_)
    #
    # # 预测测试集的房子价格
    # y_predict = lr.predict(x_test)
    # y_predict = std_y.inverse_transform(y_predict)# 将降维后的数据转换成原始数据
    # print("测试集里面每个房子的预测价格:",y_predict)

    # 使用梯度下降去进行房价预测
    sgd = SGDRegressor()
    sgd.fit(x_train,y_train)
    print(sgd.coef_)

    # 预测测试集的房子价格
    y_predict = sgd.predict(x_test)
    y_predict = std_y.inverse_transform(y_predict)# 将降维后的数据转换成原始数据
    print("测试集里面每个房子的预测价格:",y_predict)

    return None


if __name__=="__main__":
    mylinear()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error


def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理(实例化2个标准化API)
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))


    # estimator预测
    # 正规方程求解预测结果
    lr = LinearRegression()
    lr.fit(x_train,y_train)
    print(lr.coef_)

    # 预测测试集的房子价格
    y_lr_predict = lr.predict(x_test)
    y_lr_predict = std_y.inverse_transform(y_lr_predict)# 将降维后的数据转换成原始数据
    print("正规方程测试集里面每个房子的预测价格:",y_lr_predict)
    print("正规方程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))

    # 使用梯度下降去进行房价预测
    sgd = SGDRegressor()
    sgd.fit(x_train,y_train)
    print(sgd.coef_)

    # 预测测试集的房子价格
    y_sgd_predict = sgd.predict(x_test)
    y_sgd_predict = std_y.inverse_transform(y_sgd_predict)# 将降维后的数据转换成原始数据
    print("梯度下降测试集里面每个房子的预测价格:",y_sgd_predict)
    print("梯度下降程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_sgd_predict))

    return None


if __name__=="__main__":
    mylinear()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

过拟合和欠拟合

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

岭回归去进行房价预测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor,Ridge
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error


def mylinear():
    """
    线性回归直接预测房子价格
    :return: 
    """
    # 获取数据
    lb = load_boston()

    # 分割数据到训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)
    print(y_train,x_test)
    # 进行标准化处理
    # 特征值和目标值都必须进行标准化处理(实例化2个标准化API)
        # 特征值标准化处理
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)
        # 目标值标准化处理
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1)) # 要求数据必须是二维我们需要使用reshape(-1,1)进行转换
    y_test = std_y.transform(y_test.reshape(-1,1))


    # estimator预测
    # 正规方程求解预测结果
    lr = LinearRegression()
    lr.fit(x_train,y_train)
    print(lr.coef_)
    # 预测测试集的房子价格
    y_lr_predict = lr.predict(x_test)
    y_lr_predict = std_y.inverse_transform(y_lr_predict)# 将降维后的数据转换成原始数据
    print("正规方程测试集里面每个房子的预测价格:",y_lr_predict)
    print("正规方程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))

    # 使用梯度下降去进行房价预测
    sgd = SGDRegressor()
    sgd.fit(x_train,y_train)
    print(sgd.coef_)
    # 预测测试集的房子价格
    y_sgd_predict = sgd.predict(x_test)
    y_sgd_predict = std_y.inverse_transform(y_sgd_predict)# 将降维后的数据转换成原始数据
    print("梯度下降测试集里面每个房子的预测价格:",y_sgd_predict)
    print("梯度下降程的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_sgd_predict))

    # 使用岭回归去进行房价预测
    rd = Ridge(alpha=1.0)
    rd.fit(x_train,y_train)
    print(rd.coef_)

    # 预测测试集的房子价格
    y_rd_predict = rd.predict(x_test)
    y_rd_predict = std_y.inverse_transform(y_rd_predict)# 将降维后的数据转换成原始数据
    print("岭回归测试集里面每个房子的预测价格:",y_rd_predict)
    print("岭回归的均方误差:",mean_squared_error(std_y.inverse_transform(y_test),y_rd_predict))

    return None


if __name__=="__main__":
    mylinear()

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

posted @   gemoumou  阅读(100)  评论(0编辑  收藏  举报
努力加载评论中...
点击右上角即可分享
微信分享提示