机器学习1：线性回归模型解决波士顿房价预测和研究生入学率问题

╰半橙微兮° 2023-01-01 07:58 151阅读 0赞

> Python机器学习实战1：使用线性回归模型来解决波士顿房价预测和研究生入学率问题

![在这里插入图片描述][resize_m_lfit_w_962_pic_center]

### 文章目录 ###

*  boston房价预测
 *   *  导入库
     *  获取数据集
     *  线性回归
 *  研究生入学率
 *   *  导入库
     *  导入数据
     *  模型训练

# boston房价预测 #

## 导入库 ##

from  sklearn.linear_model import LinearRegression
    from  sklearn.datasets import load_boston
    import matplotlib.pyplot as plt
    %matplotlib inline

## 获取数据集 ##

bosten = load_boston()

## 线性回归 ##

*  模型训练

clf = LinearRegression()
    clf.fit(bosten.data[:,5:6],bosten.target)  #模型训练
    x = bosten.data[:,5:6]

*  回归系数

clf.coef_

array([9.10210898])

*  预测值

y_pre = clf.predict(bosten.data[:,5:6])  #模型的输出值

*  可视化

plt.scatter(x,bosten.target)
    plt.plot(x,y_pre)
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center]

# 研究生入学率 #

## 导入库 ##

import pandas as pd
    from sklearn.linear_model import LogisticRegression  #逻辑回归
    from sklearn.model_selection import train_test_split  #测试集训练集分割
    from sklearn.metrics import classification_report

## 导入数据 ##

data = pd.read_csv(r"LogisticRegression.csv")
    data_tr,data_te,label_tr,label_te = train_test_split(data.iloc[:,1:],data["admit"],test_size = 0.2)

data.iloc[:,1:]

400 rows × 3 columns

data_tr.head()

data_te.head()

## 模型训练 ##

clf = LogisticRegression()
    clf.fit(data_tr,label_tr)  #模型训练
    pre = clf.predict(data_te) #模型预测

*  预测出来的标签，label\_te实际值

pre

array([0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
           0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
           0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0,
           0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int64)

*  sklearn中的classification\_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。

res = classification_report(label_te,pre)

print(res)

precision    recall  f1-score   support
    
               0       0.71      0.89      0.79        56
               1       0.40      0.17      0.24        24
    
        accuracy                           0.68        80
       macro avg       0.56      0.53      0.51        80
    weighted avg       0.62      0.68      0.63        80

--------------------