预测鲍鱼年龄

前言

线性回归是监督学习的一个方向,用来预测连续的数值型数据。比如房价预测、销量预测等等。

优点：计算简单，易于理解
缺点：只使用与线性数据，对于非线性数据使用非线性回归模型
使用条件：连续的数值型数据

实战：预测鲍鱼年龄

1.数据源

本文使用的数据源是从UCI数据库中获取。UCI数据库是个常用的标准测试数据库。
下载地址：https://archive.ics.uci.edu/ml/datasets/Abalone

点击 Data Folder 进行下载

其中abalone.data是数据源，abalone.names是对数据的解释说明，包含列名、含义等等。可使用记事本打开。这里将其转为.txt格式

2.数据处理

1.读取数据

# 引包
[1]:import pandas as pdimport numpy as np# 读取数据
[2]:data = pd.read_table("abalone.txt",sep=",",header=None)data.columns = ["Sex","Length","Diameter continuous","Height","Whole weight","Shucked weight","Viscera weight","Shell weight","Rings"]data.head()

2. 数据处理

对性别转为数值类型，“M”为1，“F”为-1，“|”为0

# 对性别转为数值类型，“M”为1，“F”为-1，“|”为0
[4]:def tran(x):if x == "M":return 1elif x == "F":return -1else:return 0
[5]:data.Sex = data.Sex.apply(tran)[6]:data.shape
[6]:(4177, 9)

3.建模

1.引包

# 将数据矩阵随机划分训练集和测试集
from sklearn.model_selection import train_test_split
# 线性回归模型
from sklearn.linear_model import LinearRegression
# 画图
import plotly
import plotly.graph_objs as go
# 评估模型准确率
from sklearn import metrics

2.查看数据

这里使用三个属性来初步查看数据

fig1 = go.Scatter3d(x=data['Length'],y=data['Height'],z=data['Whole weight'],marker=dict(opacity=0.9,reversescale=True,colorscale='Blues',size=5),line=dict (width=0.02),mode='markers')mylayout = go.Layout(scene=dict(xaxis=dict( title="curb-weight"),yaxis=dict( title="horsepower"),zaxis=dict(title="price")),)plotly.offline.plot({"data": [fig1],"layout": mylayout},auto_open=True,filename=("3DPlot.html"))

3.建模

# 划分训练集和数据集
[8]:X_train,X_test,Y_train,Y_test = train_test_split(data.iloc[:,0:-1],data.iloc[:,-1],test_size=0.3,random_state=10)X_train.shape
[8]:(2923, 8)# 建模
[9]:model = LinearRegression()model.fit(X_train,Y_train)
[10]:predict_result = model.predict(X_test)

4.结果对比

拿实际数据的结果前五个和预测结果前五个进行对比：

[11]:predict_result[:5]
[11]:array([ 7.8554181 , 10.87956598,  9.89345623,  6.64893993,  8.99769228])[12]:Y_test[:5].values
[12]:array([ 7, 10,  8,  9, 10], dtype=int64)

5.模型评估

这里分别使用回归评估指标MSE（均方误差），RMSE（均方根误差），R-Squared(准确度)来进行评估。

[13]:mse = metrics.mean_squared_error(Y_test,predict_result)mse
[13]:4.926650489974809[14]:rmse = np.sqrt(mse)rmse
[14]:2.2196059312352743[15]:r2 = metrics.r2_score(Y_test,predict_result)r2
[15]:0.5298367786705702

4.总结

可以看出模型质量并不高，并不能达到我们想要的预测结果。所以该数据源不能使用简单的线性回归模型来进行预测。本文只是对sklearn中的线性回归模型通过实例进行使用说明。以后可以使用加权线性回归进行处理。

未完待续。。。

线性回归实例-----预测鲍鱼年龄相关推荐

回归分析及实际案例：预测鲍鱼年龄
上一篇文章:线性回归(Linear regression)算法引入: 1.线性回归: 算法的优点: 结果易于理解,计算不复杂缺点:对非线性数据拟合不好目标:平方误差和最小求解(对参数w求导等 ...
线性回归实战---Abalone鲍鱼年龄预测
线性回归实现Abalone鲍鱼年龄预测文章目录线性回归实现Abalone鲍鱼年龄预测一.环境准备数据集简介二.线性回归基础知识什么是线性回归? "最小二乘法" 求解线性 ...
《机器学习实战》8.2 线性回归基础篇之预测鲍鱼年龄
<机器学习实战>8.2 线性回归基础篇之预测鲍鱼年龄搜索微信公众号:'AI-ming3526'或者'计算机视觉这件小事' 获取更多人工智能.机器学习干货 csdn:https://blo ...
回归综合案例——利用回归模型预测鲍鱼年龄
回归综合案例--利用回归模型预测鲍鱼年龄 1 数据集探索性分析首先将鲍鱼数据集abalone_dataset.csv读取为pandas的DataFrame格式. import pandas as p ...
鲍鱼数据集案例分析-预测鲍鱼年龄（线性回归/梯度下降法实操）
数据集来源UCI Machine Learning Repository: Abalone Data Set 目录一.数据集探索性分析二.鲍鱼数据预处理 1.对sex特征进行OneHot编码,便于 ...
梯度下降法实现线性回归, 实例---预测波士顿房价
本文先手动实现一个线性回归模型, 然后用sklearn的线性回归模型作对比 import pandas as pd df = pd.read_csv('house_data.csv') #数据集可到网 ...
基于Python的机器学习之预测鲍鱼年龄数据集
用于训练的数据集: 1.000000 0.067732 3.176513 1.000000 0.427810 3.816464 1.000000 0.995731 ...
使用线性回归，岭回归，Lasso回归预测鲍鱼年龄
实验目的掌握数据预处理方法掌握线性回归预测基本原理与实现. 实验问题背景鲍鱼的年龄可以通过鲍鱼壳的"环数"来判断,但是获取这个"环数"是十分耗时的,需要锯 ...
十一、加权线性回归案例：预测鲍鱼的年龄
加权线性回归案例:预测鲍鱼的年龄点击文章标题即可获取源代码和笔记数据集:https://download.csdn.net/download/weixin_44827418/12553408 1. ...

线性回归实例-----预测鲍鱼年龄

预测鲍鱼年龄

前言

实战：预测鲍鱼年龄

1.数据源

2.数据处理

1.读取数据

2. 数据处理

3.建模

1.引包

2.查看数据

3.建模

4.结果对比

5.模型评估

4.总结

未完待续。。。

线性回归实例-----预测鲍鱼年龄相关推荐

最新文章

热门文章