- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
《人工智能导论》学生作品五
加利福尼亚房价预测-线性回归预测
作者XXX
指导教师XXX
院系软件与大数据学院
班级人工智能202
常州信息职业技术学院
项目报告
1.项目名称:用线性回归方法训练加利福尼亚房价预测模型
2.数据集
本项目使用的是sklearn在线下载的加利福尼亚房价数据集,每个住房数据
包括8个字段:MedInc,HouseAge,AveRooms,AveBedrms,Population,
AveOccup,Latitude,Longitude,标注就是这栋住房的价格。共有20640个数
据。
3.开发工具
Python3,sklearn,Pycharm或VSCode
4.实现步骤
(1)下载数据集
(2)获取数据和标注
(3)随机排列数据和标注
(4)调用sklearn接口创建回归对象
(5)训练模型
(6)预测
(7)打印预测结果和标注,对比分析
5运行结果及分析
由于每个预测结果有很多位,这里只显示5个预测结果和标注。
[11111
[1.6561.2610.9440.9191.243]
上一行是预测结果,下一行是标注,可见预测结果比较准确,可见,在这个数据
集中使用线性回归方法效果较好。
6代码
importnumpyasnp
fromsklearnimportlinear_model
fromsklearnimportdatasets
importsklearn
#下载数据集
d=sklearn.datasets.fetch_california_housing()
x=d.data
y=d.target
#划分训练数据和测试数据
trainingNumber=int(0.8*len(x))
testNumber=len(x)-trainingNumber
x_train,y_train=x[:trainingNumber],
y[:trainingNumber]
x_test,y_test=x[trainingNumber:],y[trainingNumber:]
#创建线性回归模型对象
regressor=linear_model.LinearRegression()
#使用训练数据训练模型
regressor.fit(x_train,y_train)
#对测试集数据实现预测
y_test_pred=regressor.predict(x_test)
#打印预测结果
print(y_test_pred[:5])
#打印标注
print(y_test[:5])
文档评论(0)