使用三种不同的核函数（回归）对Boston房价进行预测，同时对测试数据做出预测

使用核函数的SVR预测Boston房价
最新推荐文章于 2024-01-14 19:47:07 发布
原创 最新推荐文章于 2024-01-14 19:47:07 发布 · 4k 阅读 · 12 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

该博客通过加载Boston房价数据集，利用支持向量机（SVR）进行回归预测，分别采用线性、多项式和径向基函数（RBF）核函数进行模型训练，并对测试数据进行预测，通过R²得分、均方误差和绝对平均误差评估模型性能。
from sklearn.datasets import load_boston
from sklearn.svm import SVR
from sklearn.cross_validation import train_test_split
from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error
from sklearn.preprocessing import StandardScaler
#导入数据
boston = load_boston()
#查看数据信息
print(boston.DESCR)
X = boston.data
y = boston.target 
#对数据进行分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25,random_state=33)
ss_X = StandardScaler()
ss_y =StandardScaler()
#分别对训练和测试数据的特征及目标值进行标准化处理
X_train = ss_X.fit_transform(X_train)
X_test = ss_X.transform(X_test)
y_train = ss_y.fit_transform(y_train)
y_test = ss_y.transform(y_test)
#使用三种不同的核函数配置的支持向量机回归模型进行训练，并对测试数据进行预测
#1.采用线性核函数配置的支持向量机进行回归训练
linear_svr =  SVR(kernel='linear')
linear_svr.fit(X_train,y_train)
linear_svr_predict = linear_svr.predict(X_test)
#2.使用多项式核函数配置的支持向量机进行训练
poly_svr =
最低0.47元/天 解锁文章
使用三种不同核函数配置的支持向量机(回归)模型对美国波士顿地区房价进行预测
Invictus_Y的博客
09-16 3665
对美国波士顿地区房价数据进行预处理# 从sklearn.datasets导入波士顿房价数据读取器 from sklearn.datasets import load_boston # 从读取房价数据存储在变量boston中 boston = load_boston() # 输出数据描述 print boston.DESCR# 从sklearn.model导入数据分割器 from sklearn.mo
Python利用支持向量机模型（linear,poly,rbf三种核函数）对sklearn库中的boston房价数据进行预测并作出评估
花果山
05-06 3903
源代码： from sklearn.datasets import load_boston #从sklearn.datasets导入波士顿房价数据 boston = load_boston() #将数据存储在变量boston里 print(boston.DESCR) #打印数据 '''其中 CRIM: 城镇人均犯罪率 ZN: 住宅用地所占比例 INDUS: 城镇中非住宅用地所占比例 CHAS...
回归模型与房价预测
weixin_30585437的博客
12-06 455
from sklearn.datasets import load_boston boston = load_boston() boston.keys() print(boston.DESCR) boston.data.shape boston.feature_names import pandas as pd df = pd.DataFrame(boston.d...
使用SVM预测波士顿房价
leva的博客
07-17 5401
手机问题，其他行业的人，以为程序员们，什么都会， 程序员中，女程序员以为男程序员，什么都会， 男程序员中，一般程序员以为技术好的程序员，什么都会， 技术好的程序员，每次都在网上苦苦找答案。。。。。。 工程代码完整已上传：使用SVM预测波士顿房价 import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt import pandas as pd import warnings import sklearn from
【机器学习小实验4】支持向量机回归的波士顿房价预测
m0_69310669的博客
11-25 1758
实验结果显示不同核函数对支持向量机的性能产生了显著影响。在这个特定的房价预测问题上，线性核函数表现最好，这可能是因为数据集的线性关系较为明显。因此，在使用支持向量机时，选择合适的核函数非常关键。MSE、MAE 和 R-squared 是评估回归模型性能的重要指标。MSE 和 MAE 衡量了预测误差的大小，而 R-squared 则描述了模型对目标变量的解释能力。综合考虑这些指标有助于更好地评估模型的表现。实验中未对数据进行标准化处理。
Pytorch神经网络预测boston数据集房价
Huangxin_Yu的博客
11-26 1457
import torch.nn as nn import numpy as np import torch #数据加载 from sklearn.datasets import load_boston data = load_boston() x =data['data'] y = data['target'] #print(y) y = y.reshape(-1,1) #数据规范化 from sklearn.preprocessing import MinMaxScaler mm_scale =
下载或者导入波士顿房价预测数据集，利用SVM实现房价预测回归模型，要求对采用不同的核函数效果进行对比。
m0_61908582的博客
01-14 923
下载或者导入波士顿房价预测数据集，利用SVM实现房价预测回归模型，要求对采用不同的核函数效果进行对比。
机器学习-采用线性回归模型对波士顿房价进行预测-numpy实现（python源码）
12-13
采用线性回归模型对波士顿房价进行预测-numpy实现 需运行BDG_4.py，代码用到了LinearRegression_1.py中的函数，须将二者放在同一文件夹下运行~ 代码内容说明 采用梯度下降法（BGD）优化线性回归模型，对波士顿房价...
波士顿房屋价格预测
06-02
这是一个波士顿房屋价格预测，包含了我做的作答，仅供参考
预测波士顿房价
01-08
在这个项目中，你将利用马萨诸塞州波士顿郊区的房屋信息数据训练和测试一个模型，并对模型的性能和预测能力进行测试。通过该数据训练后的好的模型可以被用来对房屋做特定预测—尤其是对房屋的价值。对于房地产经纪等人的日常工作来说，这样的预测模型被证明非常有价值。
房价预测的BP神经网络实现_python代码
08-29
波士顿房价预测的BP神经网络实现 1) 训练数据 housing.csv 使用波士顿房价数据 2) 使用Python代码实现前向和后向传播 3) 损失函数使用方差
机器学习实验(Lasso求解算法预测波士顿房价)实验报告和代码
11-25
1.自编 Lasso 算法，求解方法不限（最小角度规划和快速迭代收缩阈值 FIST 或者其他），说明采用的是何种类型求解方法。2.基于波士顿房价数据集，采用自编 Lasso 算法预测波士顿房价。共 506 个样本，前一半样本作为训练集，后一半样本作为测试集。给出模型在 RMSE 指标上的表现。3. 使用 scikit-learn 实现的回归算法（至少 3 种）来预测波斯顿房价，并对比结果。
不同的核函数对支持向量机分类性能的影响
weixin_43827767的博客
10-08 2563
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、使用步骤画图显示 前言 关于理论部分，参看其他书本，这里演示支持向量机在非线性数据集上不可分，经过核函数变换后变成线性可分。 一、使用步骤 画图显示 代码如下（示例）： from sklearn.svm import SVC import matplotlib.pyplot as plt import numpy as np from sklearn.datasets import make_circles from
【机器学习】核函数的理解与常见核函数
敲代码的quant的博客
10-24 7198
在一个二维空间中，具有特征空间X和特征空间Y，当其中一个点（x, y）在这个二维平面中，如果想把它映射高维空间中，那么就需要用到核函数。 关于核函数的定义是：设XXX是输入空间，YYY是特征空间。如果存在一个从XXX到YYY的映射ϕ(x):X−>Y\phi(x):X -> Yϕ(x):X−>Y，使得对于所有的向量v1,v2∈Xv_{1}, v_{2} \in Xv1​,v2​∈X...
深度学习入门——波士顿房价预测
热门推荐
Barbara‘s Blog
04-21 2万+
基于神经网络模型的波士顿房价预测 波士顿房价预测是一个经典的机器学习任务，类似于程序员世界的“Hello World”。以“波士顿房价预测”任务为例，我们学习如何使用Python语言和Numpy库来构建神经网络模型。 波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价，期望构建一个基于13个因素进行房价预测的模型，如下所示。 对于预测问题，可以根据预测输出的类型是连续的实数值，还是离散的标签，区分为回归任务和分类任务。因为房价是一个连续值，所以房价预测是一个回归任务。
常见核函数
m0_37870385的博客
05-25 3727
这篇博文开始的例子就很好地揭示了核函数的简单原理，写得很好！原地址：https://blog.youkuaiyun.com/zkq_1986/article/details/524482381 核函数K（kernel function）定义核函数K（kernel function）就是指K(x, y) = <...
核函数逻辑回归和SVR
dongyu_1989的博客
10-24 2459
两个问题： （1）利用soft的svm的w去求逻辑回归模型。 （2）逻辑回归模型总使用核函数支持。
由房价回归任务浅析神经网络构建基本流程
qq_45103693的博客
12-20 1111
由于是历史文档，其中有些内容没有列出参考，如果侵权，请联系作者删除。本次数据选自sklearn这一python机器学习库的波士顿房价数据集（实现房价回归任务，数据包含各城镇人均犯罪率，划为25,000平方英尺以上地块的住宅用地比例，各城镇非零售商业面积比例，查尔斯河虚拟变量（如果小区内有河流=1；否=0），一氧化氮浓度（千万分率）等等变量。因为涉及种族问题（有一个和黑人人口占比相关的变量B），波士顿房价这个数据集在sklearn库的1.2版本中被移除。备选数据集包括加州住房数据集等。
使用boston房价数据进行线性回归分析
weixin_44080820的博客
04-22 3379
理解数据 import pandas as pd import numpy as np import sklearn.datasets as datasets from sklearn.linear_model import LinearRegression,SGDRegressor from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklea
分别用普通线性回归、岭回归、Lasso回归对boston房价进行预测，比较效果
最新发布
11-20
对波士顿房价进行预测时，普通线性回归、岭回归和 Lasso 回归各有特点。 波士顿房价数据集包含 506 个样本，每个样本有 13 个特征变量和该地区的平均房价，房价与多个特征变量相关。可以先使用一元线性回归与多个特征建立线性方程，观察模型预测效果，再使用多元线性回归进行房价预测 [^1]。 普通线性回归是最基础的回归方法，但在处理存在病态数据或容易过拟合的情况时表现不佳。 岭回归通过在损失函数中加入 L2 正则化项，使得回归得到的回归系数更符合实际、更可靠，能让估计参数的波动范围变小，变得更稳定，在存在病态数据偏多的研究中有较大的实用价值 [^3]。 Lasso 回归则在损失函数中加入 L1 正则化项，它和岭回归都可解决标准线性回归的过拟合问题，但 Lasso 可以用来做特征选择，更容易使得权重变为 0，而岭回归更容易使得权重接近 0。从贝叶斯角度看，Lasso（L1 正则）等价于参数的先验概率分布满足拉普拉斯分布，而岭回归（L2 正则）等价于参数的先验概率分布满足高斯分布 [^3]。 以下是使用 Python 实现的示例代码： ```python from sklearn.datasets import load_boston from sklearn.linear_model import LinearRegression, Ridge, Lasso from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score # 加载波士顿房价数据 boston = load_boston() data = boston.data target = boston.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42) # 普通线性回归 linear_reg = LinearRegression() linear_reg.fit(X_train, y_train) linear_pred = linear_reg.predict(X_test) linear_mse = mean_squared_error(y_test, linear_pred) linear_r2 = r2_score(y_test, linear_pred) # 岭回归 ridge_reg = Ridge(alpha=1.0) ridge_reg.fit(X_train, y_train) ridge_pred = ridge_reg.predict(X_test) ridge_mse = mean_squared_error(y_test, ridge_pred) ridge_r2 = r2_score(y_test, ridge_pred) # Lasso 回归 lasso_reg = Lasso(alpha=0.1) lasso_reg.fit(X_train, y_train) lasso_pred = lasso_reg.predict(X_test) lasso_mse = mean_squared_error(y_test, lasso_pred) lasso_r2 = r2_score(y_test, lasso_pred) print(f"普通线性回归 - MSE: {linear_mse}, R2: {linear_r2}") print(f"岭回归 - MSE: {ridge_mse}, R2: {ridge_r2}") print(f"Lasso 回归 - MSE: {lasso_mse}, R2: {lasso_r2}") ``` 通过比较均方误差（MSE）和决定系数（R2）等评估指标，可以看出不同回归方法的预测效果。一般来说，MSE 越小、R2 越接近 1，说明模型的预测效果越好。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值