机器学习经典算法（六）回归实践 房屋售价预测回归

faceSchool

经典算法（六）

回归实践（下）

6

上次我们用画图的直观的方式展示了 回归模型

那么如何来获得模型的参数呢？

python 回归实践

构建房屋预测回归模型

显示参数

注释：

coef ：斜率 , intercept ： 截距

（sqft_model.get{ 'coefficients '}）

之前的模型过于简单了，那么我们可否引入更多的特征来建立模型呢？

答案当然是肯定的，但在引入前我们要做的是

探索数据中的其他特征

探索数据中的其他特征

>>my_features = { 'bedrooms' , 'bathrooms' , 'sqft_living' , 'sqft_lot' ,'floors' , 'zipcode '}

>> sales[my_features].show()

显示特征

这里纳入了 'bedrooms' , 'bathrooms' , 'sqft_living' , 'sqft_lot' ,'floors' , 'zipcode ' 这几个特征

并进行展示

都分别显示了均值，标准差， 最小值，最大值

（注： 这里的数据是美国的房屋数据）

zipcode 指地区码

引入特征

根据zipcode 地区码

探索 不同地区的价格分布

>> sales.show(view = 'BoxWhisker Plot ' , x = 'zipcode' , y = 'price' )

注： 灰色为箱线图

x 轴为地区码

y 轴为价格

构建更多特征的回归模型

1.

>>my_feature_model = graphlab.linear_regression.create(train_data = 'price', features = my_features )

my_features 是刚才构建的特征的列表

结果

2.

打印出所用特征

>>print my_features

3.

比较多特征和但单特征模型效果

>> print sqft_model.evaluate(test_data)

>> print my_feature_model.evaluate(test_data)

注释： rmse 均方误差

由此看出：

特征模型的最大误差和均方误差都小于

单特征，所以多特征模型

效果更好！

运行学到的模型进行房屋售价的预测

房屋实际售价

(从原始数据集中随机挑选了一个房屋)

这间房屋的实际售价为62万

开始预测:

那么我们可以看到：

不一定涵盖特征多的模型就比少特征的预测更加准确

再次预测一个

原始售价为220万

开始预测:

to be the end

我思故我在

知识电量不足5%

请立即充电

People always say that it's too late. However, in fact, now is the best appropriate time. For a man who really wants to seek for something, every period of life is younger and timely.

一起分享学习的点滴

扫码加入机器学习小组（为保证学习群质量请先加管理员经验证后自动加群）