机器学习：波士顿房价预测案例

一、线性回归API

sklearn.linear_model.LinearRegression(fit_intercept=True)

• 通过正规方程优化
• 参数：fit_intercept，是否计算偏置
• 属性：LinearRegression.coef_ （回归系数） LinearRegression.intercept_（偏置）

sklearn.linear_model.SGDRegressor(loss=“squared_loss”, fit_intercept=True, learning_rate =‘constant’, eta0=0.01)

• 参数：loss（损失函数类型），fit_intercept（是否计算偏置），learning_rate （学习率），eta0（eta是η的读音，eta和η均是学习率代表字符，0表示初始，eta和0合在一起就是初始学习率）
• 属性：SGDRegressor.coef_ （回归系数）SGDRegressor.intercept_ （偏置）

二、实操

（一）案例背景介绍

（二）案例分析

回归当中的数据大小不一致，是否会导致结果影响较大。所以需要做标准化处理。

• 数据分割与标准化处理
• 回归预测
• 线性回归的算法效果评估

（三）回归性能评估

均方误差(Mean Squared Error, MSE)评价机制：

$MSE=\frac{1}{m}{\sum }_{i=1}^m(y^i-\hat{y}{)}^2$

sklearn中的API：sklearn.metrics.mean_squared_error(y_true, y_pred)

• 均方误差回归损失
• y_true:真实值
• y_pred:预测值
• return:浮点数结果

（四）代码实现

# 0.导包
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.metrics import mean_squared_error

# 1.加载数据
boston = load_boston()
# print(boston)

# 2.数据集划分
x_train,x_test,y_train,y_test =train_test_split(boston.data,boston.target,test_size=0.2,random_state=22)

# 3.标准化
process=StandardScaler()
x_train=process.fit_transform(x_train)
x_test=process.transform(x_test)

# 4.模型训练
# 4.1 实例化
# model =LinearRegression(fit_intercept=True)    #正规方程
model = SGDRegressor(learning_rate='constant',eta0=0.01)    #坡度下降
# 4.2 训练模型
model.fit(x_train,y_train)

# print(model.coef_)
# print(model.intercept_)
# 5.预测
y_predict=model.predict(x_test)

print(y_predict)

# 6.模型评估

print(mean_squared_error(y_test,y_predict))