python-回归树

最新推荐文章于 2023-11-04 11:30:38 发布

原创最新推荐文章于 2023-11-04 11:30:38 发布 · 1.4k 阅读

1 ·

CC 4.0 BY-SA版权

本文通过使用sklearn库中的DecisionTreeRegressor实现CART回归树，对波士顿房价数据集进行预测分析。文章详细展示了数据预处理、模型训练及评估的过程，包括特征选择、训练测试集划分、模型构建与拟合、预测结果输出以及模型性能指标计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# encoding=utf-8
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
from sklearn.metrics import r2_score,mean_absolute_error,mean_squared_error
from sklearn.tree import DecisionTreeRegressor
# 准备数据集
boston=load_boston()
# 探索数据
print(boston.feature_names)
# 获取特征集和房价
features = boston.data
prices = boston.target
# 随机抽取 33% 的数据作为测试集，其余为训练集
train_features, test_features, train_price, test_price = train_test_split(features, prices, test_size=0.33)
# 创建 CART 回归树
dtr=DecisionTreeRegressor()
# 拟合构造 CART 回归树
dtr.fit(train_features, train_price)
# 预测测试集中的房价
predict_price = dtr.predict(test_features)
# 测试集的结果评价
print('回归树二乘偏差均值:', mean_squared_error(test_price, predict_price))
print('回归树绝对值偏差均值:', mean_absolute_error(test_price, predict_price))