大家好，又见面了，我是你们的朋友全栈君。
from sklearn.datasets import load_boston#导入数据集
boston=load_boston()
#住宅平均房数与房价之间的关系
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
lineR=LinearRegression()
x=boston.data[:,6]
y=boston.target
plt.figure(figsize=(10,6))
plt.scatter(x,y)
lineR.fit(x.reshape(-1,1),y)
w=lineR.coef_
b=lineR.intercept_
plt.plot(x,w*x+b,'r')
plt.show()
# 多元线性回归模型，建立13个变量与房价之间的预测模型，并检测模型好坏
# 划分数据集
from sklearn.cross_validation import train_test_split
x_train, x_test, y_train, y_test = train_test_split(boston.data,boston.target,test_size=0.3)
# 建立多项式性回归模型
lineR = LinearRegression()
lineR.fit(x_train,y_train)
# 检测模型好坏
import numpy as np
x_predict = lineR.predict(x_test)
# 打印预测的均方误差
print("预测的均方误差：", np.mean(x_predict - y_test)**2)
# 打印模型的分数
print("模型的分数：",lineR.score(x_test, y_test))
import matplotlib.pyplot as plt
x=boston.data[:,12].reshape(-1,1)
y=boston.target
plt.figure(figsize=(10,6))
plt.scatter(x,y)
from sklearn.linear_model import LinearRegression
lineR=LinearRegression()
lineR.fit(x,y)
y_pred=lineR.predict(x)
plt.plot(x,y_pred)
print(lineR.coef_,lineR.intercept_)
plt.show()
#一元多项式回归模型，建立一个变量与房价之间的预测模型，
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
x_poly = poly.fit_transform(x)
lp = LinearRegression()#G构建模型
lp.fit(x_poly,y)
y_poly_pred = lp.predict(x_poly)
plt.scatter(x,y)
plt.plot(x,y_poly_pred,'r')
plt.show()
lrp = LinearRegression()
lrp.fit(x_poly,y)
plt.scatter(x,y)
plt.scatter(x,y_pred)
plt.scatter(x,y_poly_pred) #多项回归
plt.show()
转载于:https://www.cnblogs.com/sunyubin/p/10128120.html
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/107140.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
