本文重点讲述了机器学习入门的关键路径：利用Python支持向量机回归（Support Vector Regression, SVR）模型来预测波士顿地区的房价，并通过详细案例展示了这一技术的应用过程，旨在帮助读者更好地掌握机器学习的基础知识和实践技巧。

支持向量机的两种核函数模型进行预测

git: https://github.com/linyi0604/MachineLearning

from sklearn.datasets import load_boston

from sklearn.cross_validation import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.svm import SVR

该代码源自于Python编程语言中的scikit-learn库模块中的metrics子模块中，并导入了r2_score函数、mean_squared_error函数以及mean_absolute_error函数。

import numpy as np

1 准备数据

读取波士顿地区房价信息

boston = load_boston()

查看数据描述

输出结果如下 # 包含506组 Boston地区的房价数据，并展示每个数据样本包含13个数值特征的描述和相应的房屋价格标签

查看数据的差异情况

print("最大房价：", np.max(boston.target)) # 50

print("最小房价：",np.min(boston.target)) # 5

print("平均房价：", np.mean(boston.target)) # 22.532806324110677

x = boston.data

y = boston.target

2 分割训练数据和测试数据

随机采样25%作为测试 75%作为训练

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25, random_state=33)

3 训练数据和测试数据进行标准化处理

ss_x = StandardScaler()

x_train = ss_x.fit_transform(x_train)

x_test = ss_x.transform(x_test)

ss_y = StandardScaler()

y_train = ss_y.fit_transform(y_train.reshape(-1, 1))

y_test = ss_y.transform(y_test.reshape(-1, 1))

4.1 支持向量机模型进行学习和预测

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)

5 模型评估

线性核函数 模型评估

基于线性核函数的支持向量机模型，默认的评估指标为linear_svr.score(x_test, y_test)

输出基于线性核的支持向量机模型的决定系数为：并显示计算结果

输出内容

ss_y.inverse_transform(linear_svr_y_predict)))

输出计算结果：计算得到：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))

输出("计算针对多项式核函数的MSE：" + str(mean_squared_error(ss_y.inverse_transform(y_test))) )

ss_y.inverse_transform(poly_svr_y_predict)))

Outputs the mean absolute error of the polynomial kernel function after inverse transform.

ss_y.inverse_transform(poly_svr_y_predict)))

‘‘‘

线性核函数支持向量机的默认评估值为： 0.651717097429608

线性核函数支持向量机的R_squared值为： 0.651717097429608

线性核函数支持向量机的均方误差为: 27.0063071393243

线性核函数支持向量机的平均绝对误差为: 3.426672916872753

对多项式核函数的默认评估值为： 0.40445405800289286

对多项式核函数的R_squared值为： 0.651717097429608

对多项式核函数的均方误差为: 27.0063071393243

对多项式核函数的平均绝对误差为: 3.426672916872753

本文经职坐标整理后发布。旨在为同学提供帮助。如需更多详细信息，请关注职坐标人工智能机器学习频道！