期末大作业

一、boston房价预测

1. 读取数据集

2. 训练集与测试集划分

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。

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。

5. 比较线性模型与非线性模型的性能，并说明原因。

#数据读取
from sklearn.datasets import load_boston

from sklearn.model_selection import train_test_split
data = load_boston()

#训练集与测试集划分
x_train,x_test,y_train,y_test = train_test_split(data.data,data.target,test_size=0.3)
print(x_train.shape,y_train.shape)

from sklearn.linear_model import LinearRegression
mlr = LinearRegression()
mlr.fit(x_train,y_train)
print('系数',mlr.coef_,"\n截距",mlr.intercept_)

from sklearn.metrics import regression
y_predict = mlr.predict(x_test)

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))

print("模型的分数：",mlr.score(x_test,y_test))

 

from sklearn.preprocessing import PolynomialFeatures
poly2 = PolynomialFeatures(degree=2)
x_poly_train = poly2.fit_transform(x_train)
x_poly_test = poly2.transform(x_test)   # 多项式化

mlrp = LinearRegression()
mlrp.fit(x_poly_train, y_train)  # 建立模型


y_predict2 = mlrp.predict(x_poly_test)   # 预测


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))   # 计算模型的预测指标
print("模型的分数：",mlrp.score(x_poly_test, y_test))

 

 

 

二、中文文本分类

 

import os
path = r'C:\Users\Administrator\Desktop\0369'
data = []
target = []
fileList = os.listdir(path)
for f in fileList:
    file = os.path.join(path,f)
    print(file)

import os
import numpy as np
import sys
from datetime import datetime #引入datetime包里的datetime类
import gc
path = 'E:\\0369'

import jieba #导入jieba和停用词
with open(r'E:\\stopsCN.txt',encoding='utf-8') as f:
    stopwords = f.read().split('\n')

 

def processing(tokens):

tokens = "".join([char for char in tokens if char.isalpha()])

# 去掉非字母汉字的字符

 tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2]

 # 结巴分词

 tokens = " ".join([token for token in tokens if token not in stopwords])

# 去掉停用词

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

#root是当前正在遍历的这个文件夹的本身地址，dirs，files是一个list，dirs内容是
#该文件夹中所有的目录的名字，files内容是该文件夹中所有的文件

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，并处理改新闻
        target = filePath.split('\\')[-2] #分割后的倒数第二个元素
        targetList.append(target)#把各类别追加到干净的tarList = []列表

        tokenList.append(processing(content))

#把预处理过后的文本追加到干净的txtList = [] 列表

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

# 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

x_train,x_test,y_train,y_test = train_test_split(tokenList,targetList,test_size=0.3,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)

#对部分X训练集数据先拟合，找到这部分的整体指标后，用transform进行转换，实现数据的标准化、归一化

X_test = vectorizer.transform(x_test)#对X测试集进行转化

from sklearn.naive_bayes import MultinomialNB

#建立模型,这里用多项式朴素贝叶斯，因为样本特征的分布大部分是多元离散值

mnb = MultinomialNB() 
module = mnb.fit(X_train,y_train)#拟合x,y训练集数据

y_predict = module.predict(X_test) #进行预测,预测测试集

#验证模型在训练集上的稳定性，输出5个预测精度,把初始训练样本分成5份，其中4份用作训练集，1份用作评估集，一共可以对分类器做k次训练，并且得到k个训练结果

scores=cross_val_score(mnb,X_test,y_test,cv=5) 

#输出模型精确度
print("Accuracy:%.3f"%scores.mean())
#输出模型评估报告
print("classification_report:\n",classification_report(y_predict,y_test))

 

 

 

 

#获取新闻类别标签，并处理该新闻
targetList.append(target)
print(targetList[0:10])
tokenList.append(processing(content))
tokenList[0:10]

 

 

import collections
# 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()) #各类别名称
testList = list(testCount.values())  #实际结果列表
predictList = list(predCount.values())  #预测结果列表
x = list(range(len(nameList)))   #类别长度
print("新闻类别：",nameList,'\n',"实际：",testList,'\n',"预测：",predictList)