线性回归——波士顿房价预测

最新推荐文章于 2025-02-26 09:57:35 发布

原创最新推荐文章于 2025-02-26 09:57:35 发布 · 7.3k 阅读

51 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文通过使用线性回归模型预测波士顿房价，并详细介绍了模型评估指标，包括MSE、RMSE、MAE及R-Squared的计算方法与结果，展示了如何利用sklearn库进行模型评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

波士顿放假预测

回归算法的评价指标有MSE，RMSE，MAE、R-Squared，下面一一介绍。

MSE均方差误差：

在这里插入图片描述

MAE平均绝对误差：
RMSE均方根误差：
可决系数（拟合优度）
代码实现

# -*- coding: utf-8 -*-
"""
Created on Sun Mar  3 21:27:31 2019

@author: huyhui
"""
#导入用到的库
import sklearn.datasets as datasets
from sklearn.linear_model import LinearRegression  #线性回归模型
from sklearn.model_selection import train_test_split #切分训练集和测试集
import pandas as pd
import numpy as np

Boston = datasets.load_boston()  #载入数据集
print(Boston.DESCR) #得到关于房价的描述信息
x = Boston.data[:,5]  #得到RM列的数据
x = x.reshape(-1,1) #变为1列
y = Boston.target
y = y.reshape(-1,1) #变为1列

#分割数据集为训练集与测试集
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.25,random_state = 0)
#创建线性回归模型
regr = LinearRegression()
#用训练集训练模型
regr.fit(x_train,y_train)
#用训练得出的模型进行预测
y_pred = regr.predict(x_test)

#根据公式计算所得结果
mse_test = np.sum((y_pred-y_test)**2)/len(y_test)
mae_test = np.sum(np.absolute(y_pred-y_test))/len(y_test)
rmse_test = mse_test ** 0.5
r2_score = 1- (mse_test/ np.var(y_test))
print('根据公式所得结果如下：')
print('均方误差:{},平均绝对误差:{},\n均方根误差:{},可决系数:{}'.format(mse_test,mae_test,rmse_test,r2_score))
print()
from sklearn.metrics import mean_squared_error #均方误差
from sklearn.metrics import mean_absolute_error #平方绝对误差
from sklearn.metrics import r2_score #R square
#调用函数获得结果
mse_test1 = mean_squared_error(y_test,y_pred)
mae_test1 = mean_absolute_error(y_test,y_pred)
rmse_test1 = mse_test1 ** 0.5
r2_score1 = r2_score(y_test,y_pred)
print('直接调用函数所得结果如下：')
print('均方误差:{},平均绝对误差:{},\n均方根误差:{},可决系数:{}'.format(mse_test1,mae_test1,rmse_test1,r2_score1))

运行结果

根据公式所得结果如下：
均方误差:43.4720416772022,平均绝对误差:4.212526305455822,
均方根误差:6.593333123481795,可决系数:0.4679000543136781

直接调用函数所得结果如下：
均方误差:43.4720416772022,平均绝对误差:4.212526305455822,
均方根误差:6.593333123481795,可决系数:0.4679000543136781