PythonAI中如何使用機器學習回歸模型預測房價

本篇文章給大家分享的是有關Python AI中如何使用機器學習回歸模型預測房價，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

專業從事企業網站建設和網站設計服務，包括網站建設、域名注冊、網絡空間、企業郵箱、微信公眾號開發、微信支付寶微信平臺小程序開發、app軟件開發公司、軟件開發、等服務。公司始終通過不懈的努力和以更高的目標來要求自己,在不斷完善自身管理模式和提高技術研發能力的同時，大力倡導推行新經濟品牌戰略，促進互聯網事業的發展。

一、回歸預測

今天我們來具體了解一下使用機器學習算法進行回歸預測。

回歸預測主要用于預測與對象關聯的連續值屬性，得到數值型的預測數據。回歸預測的應用場景有各類的價格預測、相關性的反應預測等。

下面，我們就使用sklearn模塊，以一個sklearn中集成的波士頓房價數據集來演示如何進行回歸預測。

二、波士頓房價預測

1、引入數據集

在sklearn中內置的數據集都位于datasets子模塊下，我們可以直接進行導入：

導入之后，看看數據集中的內容：

其中有五個鍵，從字面意思上理解，可以發現data是數據集中所有的數據特征，DESCR是數據集的描述信息，target是數據集特征對應的目標值，feature_name則是數據特征的名稱。

我們先來看看數據特征的名稱：

可以發現數據集中有13個特征，每個特征具體是什么意思，倒不清楚，我們可以在DESCR描述中找到具體意思：

最后可以知道每個數據特征的含義如下：

• CRIM：人均犯罪率 ；

• ZN：住宅用地超過兩萬五千平方英尺的比例 ；

• INDUS：城鎮的非零售營業比例；

• CHAS：河流分界；

• NOX：一氧化氮濃度 ；

• RM：住宅平均房間數；

• AGE：1940年之前建造的房屋業主比例；

• DIS：距離波士頓五個就業中心的加權距離；

• RAD：徑向公路的可達指數；

• TAX ：每一萬美元財產的全額財產稅率

• PTRATIO ：城鄉教師比例；

• B ：黑人比例

• LSTAT ：低層人群比例

• MEDV ：房屋價格中值

再來看看具體的數據特征和目標數據值：

數據特征形狀：

數據特征概覽：

數據特征一共有506行，13列，正好對應13個數據特征。而目標數據值的也正好是506個：

相當于是已經處理好的數據了。

但是對于初學者來說，這樣處理好的數據看起來不是太直觀，我們使用Pandas將其還原為DataFrame的形式，可以直觀地看出這個數據集到底是什么樣的：

對于熟悉使用pandas的同學來說，這樣看這個數據集是不是親切多了。

好了，我們可以直接進行下一步。

2、分割訓練數據和測試數據

為了檢驗我們創建和訓練好的機器學習模型的效果，將數據集分割為訓練集和測試集是必須的。

而在sklearn中，也有一個專門的接口方法用于分割數據集的訓練集和測試集——train_test_split，我們首先導入它：

然后將我們的數據集data傳入，并設置測試集的比例為15%：

3、選擇一個回歸算法估計器

在sklearn中，所有的機器學習算法都以“估計器”的形式來呈現，每一個估計器都是一個類，機器學習模型通過實例化一個估計器的類來進行創建。比如線性回歸的算法估計器：

每一個算法估計器，無論是監督學習算法還是非監督學習算法，都擁有一個fit()方法，用于接收訓練數據集來訓練數據，比如這樣：

同時每一個算法估計器都有用一個predict()方法，用于接收數據來進行預測，比如這樣：

在sklearn中，各類機器學習算法的API設計根據不同的用途的算法進行劃分，我們可以方便地調用自己想要的算法，每一個監督學習算法，都由一個單獨的子模塊構成，其下包含算法的具體類，比如廣義的線性回歸算法：

其中根據用途，有的算法 可細分為用于回歸的估計器和用于分類的估計器。

在此，我們選擇隨機森林算法的用于回歸的估計器：

首先，導入算法估計器：

接著，實例化隨機森林回歸估計器，設置算法的參數并將訓練集傳入進行訓練：

訓練好模型之后，再使用predict()方法對訓練集進行預測：

這樣，我們就獲得了使用隨機森林回歸模型對測試集進行預測的數據了，其為一個一維數組，我們可以直接打印出來看到：

還記得我們分割訓練測試集的時候，有過一個y_test的數組吧？它是測試集x_test數據特征對應正確的房價結果，我們也來看看其數據：

如何比較正確數組和預測出來的數組的值的正確度呢？一個比較蠢的方法是通過遍歷這兩個數組進行對比，查看其差值：

如果測試數據集少的話，這樣來比較似乎工作量還不大，要是測試集很大那就沒辦法了。幸而，sklearn中也提供了對模型的評估方法，所有的評估方法都集成在sklearn.metrics子模塊中。針對回歸模型，我們可以使用平均絕對誤差MAE和均方差MSE以及R2分數來對回歸模型評估：

然后在評估方法中傳入預測數組和正確數組：

最終得到了我們的平均絕對誤差值、均方差值和R2分數。其中，R2分數理論最佳值為1，平均絕對誤差理論最佳值為0.0，均方差理論最佳值也為0.0.

嗯，這個機器學習隨機森林回歸模型的效果如何？大家自己評估，也可以自己調用其他的回歸模型來測試，看看哪個算法對這個數據集的預測效果較好。

以上就是Python AI中如何使用機器學習回歸模型預測房價，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注創新互聯行業資訊頻道。

文章名稱：PythonAI中如何使用機器學習回歸模型預測房價
網站鏈接：http://m.kartarina.com/article22/igcccc.html

成都網站建設公司_創新互聯，為您提供電子商務、外貿建站、網站內鏈、微信小程序、服務器托管、網站設計

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯