一、boston房价预测
1. 读取数据集
#导入包 from sklearn.model_selection import train_test_split from sklearn.preprocessing import PolynomialFeatures import pandas as pd#导入数据集from sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_split
#波士顿房价数据集 data = load_boston() # 划分数据集 x_train, x_test, y_train, y_test = train_test_split(data.data,data.target,test_size=0.3)
3. 线性回归模型：建立13个变量与房价之间的预测模型，并检测模型好坏。
#建立模型 from sklearn.linear_model import LinearRegression LR = LinearRegression() LR.fit(x_train,y_train) print('系数：',LR.coef_,"截距：",LR.intercept_) 运行结果：
#检测模型好坏 from sklearn.metrics import regression y_predict = LR.predict(x_test) # 计算模型的预测指标 print("线性回归预测的均方误差：", regression.mean_squared_error(y_test,y_predict)) print("线性回归预测的平均绝对误差：", regression.mean_absolute_error(y_test,y_predict)) # 打印模型的分数 print("线性回归模型的分数：",LR.score(x_test, y_test)) 运行结果：
4. 多项式回归模型：建立13个变量与房价之间的预测模型，并检测模型好坏。
# 多元多项式回归模型 # 多项式化 poly2 = PolynomialFeatures(degree=2) x_poly_train = poly2.fit_transform(x_train) x_poly_test = poly2.transform(x_test)# 建立模型LRP = LinearRegression()LRP.fit(x_poly_train, y_train)
运行结果：
# 预测 y_predict2 = LRP.predict(x_poly_test) # 检测模型好坏 # 计算模型的预测指标 print("多元多项式回归预测的均方误差：", regression.mean_squared_error(y_test,y_predict2)) print("多元多项式回归预测的平均绝对误差：", regression.mean_absolute_error(y_test,y_predict2)) # 打印模型的分数 print("多元多项式回归模型的分数：",LRP.score(x_poly_test, y_test)) 运行结果：
线性模型可以是用曲线拟合样本，但是分类的决策边界一定是直线的。多项式模型是曲线形式，比线性回归模型更加贴近样本点分布的范围，误差值更小。
二、中文文本分类
#导入包 import os import numpy as np import sys from datetime import datetime import gc # 用os.walk获取需要的变量，并拼接文件路径再打开每一个文件 path = 'C:\\Users\\0\\Desktop\\0369' for root,dirs,files in os.walk(path): print(root) print(dirs) print(files) for f in files: fn = os.path.join(root,f) size = os.path.getsize(fn) print(fn,size)
运行结果：
# 导入结巴库，并将需要用到的词库加进字典 import jieba # 导入停用词： with open(r'C:\Users\0\Desktop\stopsCN.txt', encoding='utf-8') as f: stopwords = f.read().split('\n') def processing(tokens): # 去掉非字母汉字的字符 tokens = "".join([char for char in tokens if char.isalpha()]) # 结巴分词 tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2] # 去掉停用词 tokens = " ".join([token for token in tokens if token not in stopwords]) return tokens tokenList = [] targetList = [] # 用os.walk获取需要的变量，并拼接文件路径再打开每一个文件 for root,dirs,files in os.walk(path): for f in files: filePath = os.path.join(root,f) with open(filePath, encoding='utf-8') as f: content = f.read() # 获取新闻类别标签，并处理该新闻 target = filePath.split('\\')[-2] targetList.append(target) tokenList.append(processing(content))
#将content_list列表向量化再建模，将模型用于预测并评估模型 # 划分训练集测试集并建立特征向量,为建立模型做准备 # 划分训练集测试集 from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB,MultinomialNB from sklearn.model_selection import cross_val_score from sklearn.metrics import classification_report x_train,x_test,y_train,y_test = train_test_split(tokenList,targetList,test_size=0.2,stratify=targetList) # 转化为特征向量，这里选择TfidfVectorizer的方式建立特征向量。不同新闻的词语使用会有较大不同。 vectorizer = TfidfVectorizer() X_train = vectorizer.fit_transform(x_train) X_test = vectorizer.transform(x_test) # 建立模型,这里用多项式朴素贝叶斯，因为样本特征的a分布大部分是多元离散值 mnb = MultinomialNB() module = mnb.fit(X_train, y_train) #进行预测 y_predict = module.predict(X_test) # 输出模型精确度 scores=cross_val_score(mnb,X_test,y_test,cv=5) print("Accuracy:%.3f"%scores.mean()) # 输出模型评估报告 print("classification_report:\n",classification_report(y_predict,y_test)) 运行结果：
#根据特征向量提取逆文本频率高的词汇,将预测结果和实际结果进行对比（用条形图） # 将预测结果和实际结果进行对比 import collections import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 # 统计测试集和预测集的各类新闻个数 testCount = collections.Counter(y_test) predCount = collections.Counter(y_predict) print('实际：',testCount,'\n', '预测', predCount) # 建立标签列表，实际结果列表，预测结果列表， nameList = list(testCount.keys()) testList = list(testCount.values()) predictList = list(predCount.values()) x = list(range(len(nameList))) print("新闻类别：",nameList,'\n',"实际：",testList,'\n',"预测：",predictList) 运行结果：
# 画图 plt.figure(figsize=(7,5)) total_width, n = 0.6, 2 width = total_width / n plt.bar(x, testList, width=width,label='实际',fc = 'g') for i in range(len(x)): x[i] = x[i] + width plt.bar(x, predictList,width=width,label='预测',tick_label = nameList,fc='b') plt.grid() plt.title('实际和预测对比图',fontsize=17) plt.xlabel('新闻类别',fontsize=17) plt.ylabel('频数',fontsize=17) plt.legend(fontsize =17) plt.tick_params(labelsize=15) plt.show() 运行结果：
