纯小白的Sklearn学习（岭回归-波士顿房价预测）-day（4）

补充波士顿房价预测（岭回归）

岭回归属于正则化线性模型中的一种，正则化的作用是避免模型欠拟合和过拟合的一种方法，正则化线性模型方法包括：岭回归(Ridge Regression)，Lasso回归，弹性网络（Elastic Net），Early stopping等几种方法

# 导入框架
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression,Ridge,RidgeCV
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
# 导入数据
data = pd.read_csv("C:/Python-Project/梯度下降/price_boston_housing.txt")
XX1 = data[["CRIM","ZN","INDUS","CHAS"]]
YY1 = data[["MEDV"]]
# 数据预处理
x_train,x_test,y_train,y_test = train_test_split(XX1,YY1,test_size=0.2,random_state=30)
# 机器学习，此处为与前面章节的不同指出
# estimator = Ridge(alpha=1)
estimator = RidgeCV(alphas=(0.001,0.01,0.1,1,10,100))
estimator.fit(x_train,y_train)
# 查看结果
print('模型的偏置是：\n',estimator.intercept_)
print('模型的系数是：\n',estimator.coef_)
y_per = estimator.predict(x_test)
# 模型准确性
score = estimator.score(x_test,y_test)
print(score)
ret = mean_squared_error(y_test,y_per)
print('均方差为：\n',ret)
#######################################################################################

可以正常运行，但是预测结果准确性很差，不知道为什么？