#一、boston房价预测 #导入加载包 from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures # 读取波士顿房价数据集 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=0.2) # 建立多元线性回归模型 mlr = LinearRegression() mlr.fit(x_train,y_train) print('系数',mlr.coef_,"\n截距",mlr.intercept_) # 检测模型好坏 from sklearn.metrics import regression y_predict = mlr.predict(x_test) # 计算模型的预测指标 print("预测的均方误差：", regression.mean_squared_error(y_test,y_predict)) print("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("模型的分数：",mlr.score(x_test, y_test)) # 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 mlrp = LinearRegression() mlrp.fit(x_poly_train, y_train) # 预测 y_predict2 = mlrp.predict(x_poly_test) # 检测模型好坏 # 计算模型的预测指标 print("预测的均方误差：", regression.mean_squared_error(y_test,y_predict2)) print("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("模型的分数：",mlrp.score(x_poly_test, y_test)) #线性模型与非线性模型的性能比较：线性模型的图形明显比非线性模型的图像更加贴切形象，平滑的曲线更精确地将样本点的分布规律展现出来，极大地减少了误差，性能更有优势。
