期末大作业
boston房价预测
1. 读取数据集
from sklearn.datasets import load_boston
2. 训练集与测试集划分
boston = load_boston() x = boston.data y = boston.target print(x.shape) print(y.shape)
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。
# 建立多元线性回归模型 mlr = LinearRegression() mlr.fit(x_train,y_train) print('系数',mlr.coef_,"\n截距",mlr.intercept_) # 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))
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。
# 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)
# 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。
如果一个回归等式是线性的，那么它的相对于参数就必须也是线性的。
如果相对于参数是线性，那么即使性对于样本变量的特征是二次方或者多次方，这个回归模型也是线性的
最简单的判断一个模型是不是非线性，就是关注非线性本身，判断它的参数是不是非线性的。
与线性模型不一样的是，非线性模型的特征因子对应的参数不止一个。
————————————————————————————————————————————————————————————————————————————————————————————
5.中文文本分类
import os #调用os
import numpy as np #调用numpy并命名为np按条件截取
import jieba #调用jieba
texts=r'C:\Users\xiaochunjie\Desktop\258' #导入要进行分词的文件,命名为texts
wordList = jieba.cut(texts) #进行分词
tokens=list(wordList) #以列表形式输出
tokens
path=r'C:\Users\xiaochunjie\Desktop\stopsCN.txt' #导入无用字词文件
stops=np.loadtxt(path,dtype=str,delimiter=r'\t',encoding='utf-8') #读取文件，字符型（str），用\t分隔，编码为utf-8
stops.shape #查看矩阵或是列表的维数
tokens=[token for token in tokens if token not in stops] #如果tokens不在stops中，便让token 赋值给tokens，
# 格式规范化
def processing(tokens):
tokens = "".join([char for char in tokens if char.isalpha()]) # 去掉非字母汉字的字符
tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2] # 结巴分词，长度大于等于2
tokens = " ".join([token for token in tokens if token not in path]) # 去掉停用词
return tokens
tokenList = []
targetList = []
# 遍历每个个文件夹下的每个文本文件。
# 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(texts):
for f in files:
filePath = os.path.join(root,f) #链接文件路径
with open(filePath, encoding='utf-8') as f: #用utf-8的形式打开文件 filePath 作为f
content = f.read() #读取 f
# 获取新闻类别标签，并处理该新闻
target = filePath.split('\\')[-2] #取出类别 \\指定边界
targetList.append(target)
tokenList.append(processing(content))
#print(content)
# 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)
# text_size 样本占比测试集占数据集的比重 训练集 测试集划分
# 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) #拟合 数据标准化
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)
#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) #输出5个预测精度，初始训练样本为5份，4份被用作训练集，1份做评估集，共做5次训练，得到5个训练结果
print("Accuracy:%.3f"%scores.mean())
# 输出模型评估报告
print("classification_report:\n",classification_report(y_predict,y_test)) #\n换行
# 将预测结果和实际结果进行对比
import collections
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 统计测试集和预测集的各类新闻个数
testCount = collections.Counter(y_test)
predCount = collections.Counter(y_predict)
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())
predictList = list(predCount.values())
x = list(range(len(nameList))) #输出nameList的每个文字
print("新闻类别：",nameList,'\n',"实际：",testList,'\n',"预测：",predictList)
