线性回归：波士顿房价预测

击上方

“蓝色字”

可关注我们！

今日分享：模型评估波士顿房价预测

一：流程

波士顿地区房价数据获取，数据来自于sklearn自带数据集；

波士顿地区房价数据分割；

训练与测试数据标准化处理；

使用最简单的线性回归模型LinearRegression和梯度下降估计SGDRegressor对房价进行预测

三：回归性能评价 -- 均方误差

(均方误差(MeanSquared Error)MSE)

括号中 前者为预测值，后者为平均值真实值

sklearn回归评估API

四：代码演示

输出结果

由输出结果对比两者的均方误差，该次运行结果SGD效果较好

需要注意的是

在数据量小的时候，往往正规方程的效果是比较好的，本次波士顿数据集有500+个样本，这数量很小，小编在运行的时候正规方程效果占上风的次数明显多于梯度下降；各位不妨找更大数据量的数据集来验证SGD的优越性。

线性回归是最为简单、易用的回归模型，但这一特点在某种程度上也限制了其适用范围，尽管如此，在不知道特征之间关系的前提下，我们仍然使用线性回归作为大多数业务的首要选择。

小规模数据：LinearRegression(不能解决拟合问题，后续会介绍优化的回归模型)以及其它；

大规模数据：SGDRegressor

公众号QQ群

扫QQ群二维码进交流学习群