机器学习 成绩预测

成绩预测

利用机器学习算法，实现：预测你们班同学的成绩。

要求：

1.任选一门本学期开设的必修课，作为预测对象，必须在本门课程没有考试之前完成论文

2.样本数据的获得与收集，自己提供。

3.使用学过的机器学习算法，

4.编写程序代码

5.训练模型

6.模型测试

# --------------------------转自github--------------------------

注：源代码来源于青岛农业大学理信宋彩霞老师,KNN算法；

显示数据集

 

成绩预测

 

 

KNN代码

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137

numberOfLabels = len(datingLabels) LabelsColors = [] for i in datingLabels:     if i == 1:         LabelsColors.append('black')     if i == 2:         LabelsColors.append('orange')     if i == 3:         LabelsColors.append('red') # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5 axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs0_title_text = axs[0][0].set_title(u'每学期学习所消耗的时间与每周娱乐所消耗平均时间比值', FontProperties=font) axs0_xlabel_text = axs[0][0].set_xlabel(u'每学期学习所消耗的时间（小时）', FontProperties=font) axs0_ylabel_text = axs[0][0].set_ylabel(u'每周娱乐所消耗平均时间（小时）', FontProperties=font) plt.setp(axs0_title_text, size=9, weight='bold', color='red') plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')   # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs1_title_text = axs[0][1].set_title(u'每学期学习所消耗的时间与每天上课平均坐前排平均次数', FontProperties=font) axs1_xlabel_text = axs[0][1].set_xlabel(u'每学期学习所消耗的时间（小时）', FontProperties=font) axs1_ylabel_text = axs[0][1].set_ylabel(u'每天上课平均坐前排平均次数比值', FontProperties=font) plt.setp(axs1_title_text, size=9, weight='bold', color='red') plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')   # 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs2_title_text = axs[1][0].set_title(u'每周娱乐所消耗平均时间与每天上课平均坐前排平均次数', FontProperties=font) axs2_xlabel_text = axs[1][0].set_xlabel(u'每周娱乐所消耗平均时间（小时）', FontProperties=font) axs2_ylabel_text = axs[1][0].set_ylabel(u'每天上课平均坐前排平均次数比值', FontProperties=font) plt.setp(axs2_title_text, size=9, weight='bold', color='red') plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black') # 设置图例 didntLike = mlines.Line2D([], [], color='black', marker='.',                           markersize=6, label='didntLike') smallDoses = mlines.Line2D([], [], color='orange', marker='.',                            markersize=6, label='smallDoses') largeDoses = mlines.Line2D([], [], color='red', marker='.',                            markersize=6, label='largeDoses') # 添加图例 axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses]) axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses]) axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses]) # 显示图片 plt.show() numberOfLabels = len(datingLabels) LabelsColors = [] for i in datingLabels:     if i == 1:         LabelsColors.append('black')     if i == 2:         LabelsColors.append('orange')     if i == 3:         LabelsColors.append('red') # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5 axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs0_title_text = axs[0][0].set_title(u'每学期学习所消耗的时间与每周娱乐所消耗平均时间比值', FontProperties=font) axs0_xlabel_text = axs[0][0].set_xlabel(u'每学期学习所消耗的时间（小时）', FontProperties=font) axs0_ylabel_text = axs[0][0].set_ylabel(u'每周娱乐所消耗平均时间（小时）', FontProperties=font) plt.setp(axs0_title_text, size=9, weight='bold', color='red') plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')   # 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs1_title_text = axs[0][1].set_title(u'每学期学习所消耗的时间与每天上课平均坐前排平均次数', FontProperties=font) axs1_xlabel_text = axs[0][1].set_xlabel(u'每学期学习所消耗的时间（小时）', FontProperties=font) axs1_ylabel_text = axs[0][1].set_ylabel(u'每天上课平均坐前排平均次数比值', FontProperties=font) plt.setp(axs1_title_text, size=9, weight='bold', color='red') plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')   # 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5 axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.99) # 设置标题,x轴label,y轴label axs2_title_text = axs[1][0].set_title(u'每周娱乐所消耗平均时间与每天上课平均坐前排平均次数', FontProperties=font) axs2_xlabel_text = axs[1][0].set_xlabel(u'每周娱乐所消耗平均时间（小时）', FontProperties=font) axs2_ylabel_text = axs[1][0].set_ylabel(u'每天上课平均坐前排平均次数比值', FontProperties=font) plt.setp(axs2_title_text, size=9, weight='bold', color='red') plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black') # 设置图例 didntLike = mlines.Line2D([], [], color='black', marker='.',                           markersize=6, label='didntLike') smallDoses = mlines.Line2D([], [], color='orange', marker='.',                            markersize=6, label='smallDoses') largeDoses = mlines.Line2D([], [], color='red', marker='.',                            markersize=6, label='largeDoses') # 添加图例 axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses]) axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses]) axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses]) # 显示图片 plt.show() # 获得normMat的行数 m = normMat.shape[0] # 百分之十的测试数据的个数 numTestVecs = int(m * hoRatio) # 分类错误计数 errorCount = 0.0   for i in range(numTestVecs):     # 前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集     classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :],                                  datingLabels[numTestVecs:m], 4)     print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))     if classifierResult != datingLabels[i]:         errorCount += 1.0 print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100)) # 生成NumPy数组,测试集 inArr = np.array([precentTats, ffMiles, iceCream]) # 测试集归一化 norminArr = (inArr - minVals) / ranges # 返回分类结果 classifierResult = classify0(norminArr, normMat, datingLabels, 3) #print（classifierResult） # 打印结果 print("这名同学可能%s" % (resultList[classifierResult-1])) # 1、测试代码 filename = "datingTestSet.txt" # 打开并处理数据 datingDataMat, datingLabels = file2matrix(filename) showdatas(datingDataMat, datingLabels)   #2、测试代码 datingClassTest()   # 正式代码 classifyPerson()

数据

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

720 8.215452    0.52524 smallDoses 354 68.216555   0.36525 didntLike 100 46.215475   0.00215 didntLike 800 26.21545    0.65154 smallDoses 935 27.02155    0.71525 smallDoses 1500    3.21525 0.91242 largeDoses 1400    4.74522 0.95321 largeDoses 1342    3.21455 0.24565 largeDoses 1440    5.33456 0.81454 largeDoses 187 65.52452    0.35456 didntLike 206 63.34556    0.26443 didntLike 300 70.45221    0.31245 didntLike 600 20.35455    0.76354 smallDoses 825 36.34556    0.24536 smallDoses 1356    6.15322 0.12354 largeDoses 1452    2.15433 0.98724 largeDoses 625 33.15442    0.54675 smallDoses 554 25.64652    0.68443 smallDoses 325 86.21156    0.00054 didntLike 547 86.21156    0.00354 didntLike

佳俊提醒你：别搜了，同学，200多人都抄重了