path = 'HousingData.csv'data = pd.read_csv(path)data.head() #查看前五行
![波士顿房价数据集（基于SVM）[2022.4.18作业1] 第1张图片](static/image/common/none.gif "波士顿房价数据集（基于SVM）[2022.4.18作业1] 第1张图片")
前五行数据
# X,y赋值
feature_names = ['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT']
X = data[feature_names]
y = data.MEDV数据集中有13个自变量，1个因变量（MEDV）
# 分割训练数据和测试数据，随机采样30%作为测试 70%作为训练
x_trAIn, x_test, y_train, y_test = train_test_split(x, y, test_size=0.3, random_state=33)Z-score
# 训练数据和测试数据进行标准化处理
ss_x = StandardScaler()
ss_y = StandardScaler()
x_train = ss_x.fit_transform(x_train)
x_test = ss_x.transform(x_test)
y_train = ss_y.fit_transform(y_train.reshape(-1, 1))
y_test = ss_y.transform(y_test.reshape(-1, 1))
Z-score
- 必须先用fit_transform(trainData)，之后再transform(testData)
- fit_transform方法是fit和transform的结合，fit_transform(X_train) 意思是找出X_train的 和 ，并应用在X_train上；这时对于X_test，我们就可以直接使用transform方法。因为此时StandardScaler已经保存了X_train的 和
- 补充几种归一化方法的区别：ttps://www.zhihu.com/question/60490799/answer/388715802
- reshape(1,-1)转化成1行（这是由于在sklearn中，所有的数据都应该是二维矩阵，哪怕它只是单独一行或一列（比如前面做预测时，仅仅只用了一个样本数据），所以需要使用numpy库的.reshape(1,-1)进行转换）
# 线性核函数配置支持向量机
linear_svr = SVR(kernel="linear")
# 训练
linear_svr.fit(x_train, y_train)
# 预测 保存预测结果
linear_svr_y_predict = linear_svr.predict(x_test)
# 多项式核函数配置支持向量机
poly_svr = SVR(kernel="poly")
# 训练
poly_svr.fit(x_train, y_train)
# 预测 保存预测结果
poly_svr_y_predict = linear_svr.predict(x_test)
# 高斯核函数配置支持向量机
rbf_svr = SVR(kernel="rbf")
# 训练
rbf_svr.fit(x_train, y_train)
# 预测 保存预测结果
rbf_svr_y_predict = linear_svr.predict(x_test)
# sigmoid核函数配置支持向量机
sigmoid_svr = SVR(kernel="sigmoid")
# 训练
sigmoid_svr.fit(x_train, y_train)
# 预测 保存预测结果
sigmoid_svr_y_predict = linear_svr.predict(x_test)模型评估
# 线性核函数 模型评估
print("线性核函数支持向量机的默认评估值为：", linear_svr.score(x_test, y_test))
print("线性核函数支持向量机的R_squared值为：", r2_score(y_test, linear_svr_y_predict))
print("线性核函数支持向量机的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(linear_svr_y_predict)))
print("线性核函数支持向量机的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(linear_svr_y_predict)))
# 对多项式核函数模型评估
print("对多项式核函数的默认评估值为：", poly_svr.score(x_test, y_test))
print("对多项式核函数的R_squared值为：", r2_score(y_test, poly_svr_y_predict))
print("对多项式核函数的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(poly_svr_y_predict)))
print("对多项式核函数的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(poly_svr_y_predict)))
# 高斯核函数模型评估
print("对高斯核函数的默认评估值为：", rbf_svr.score(x_test, y_test))
print("对高斯核函数的R_squared值为：", r2_score(y_test, rbf_svr_y_predict))
print("对高斯核函数的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(rbf_svr_y_predict)))
print("对高斯核函数的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(rbf_svr_y_predict)))
# sigmoid核函数模型评估
print("对sigmoid核函数的默认评估值为：", sigmoid_svr.score(x_test, y_test))
print("对sigmoid核函数的R_squared值为：", r2_score(y_test, sigmoid_svr_y_predict))
print("对sigmoid核函数的均方误差为:", mean_squared_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(sigmoid_svr_y_predict)))
print("对sigmoid核函数的平均绝对误差为:", mean_absolute_error(ss_y.inverse_transform(y_test),
ss_y.inverse_transform(sigmoid_svr_y_predict)))
上一篇：进了名校的牛娃都在读什么？MIT今夏最强书单曝光！
下一篇：波士顿大学计算机专业好吗？ |
窥视卡
雷达卡
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜