python学习笔记第八周

最新推荐文章于 2021-09-15 21:05:57 发布

原创最新推荐文章于 2021-09-15 21:05:57 发布 · 209 阅读

0 ·

CC 4.0 BY-SA版权

本文深入探讨了使用Python的sklearn库进行机器学习的过程，包括线性回归模型的训练与验证，以及决策树分类器的构建与评估。通过实际案例，如波士顿房价预测和鸢尾花分类，展示了数据预处理、模型训练、交叉验证及特征重要性分析等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

######导入数据集，用二分法
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
boston = load_boston()
x_train,x_test,y_train,y_test=train_test_split(boston.data,boston.target,test_size=0.3,random_state=123)

from sklearn import linear_model
reg = linear_model.LinearRegression()
reg.fit(x_train,y_train)

##########验证
from sklearn.model_selection import cross_val_score
reg = linear_model.LinearRegression()
scores = cross_val_score(reg,boston.data,boston.target,cv = 10)
scores

#对数据进行随机重排，保证拆分的均匀性
import numpy as np
X,y = boston.data,boston.target
indices = np.arange(y.shape[0])
np.random.shuffle(indices)
X,y = X[indices],y[indices]

from sklearn.model_selection import cross_val_score
reg = linear_model.LinearRegression()
scores = cross_val_score(reg,X,y,cv = 10)
scores

scores.mean(),scores.std()

##决策树
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
iris = load_iris()
ct = DecisionTreeClassifier()
ct.fit(iris.data,iris.target)

ct.max_features_

ct.feature_importances_

ct.predict(iris.data[:])

from sklearn.metrics import classification_report
print(classification_report(iris.target,ct.predict(iris.data)))

from sklearn.tree import export_graphviz
export_graphviz(ct,out_file=‘tree.dot’,feature_names=iris.feature_names,class_names=iris.target_names)