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

1.读取数据集

1、导入Boston数据集

#!/usr/bin/python
# -*- coding:utf-8 -*-
# -*- author:DavidHuang -*-

from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
from  sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error
import numpy as np
import pandas as pd
boston = load_boston()
#
# print(boston.DESCR)       #   共506条波士顿地区房价信息，每条13项数值特征描述和目标房价
# print("最大房价：",np.max(boston.target))
# print("最小房价:",np.min(boston.target))
# print("平均房价：",np.mean(boston.target))
#

2.训练集和测试集划分

print("开始进行预测和分析！\n========================")
print(bos.keys())==")

bos = load_boston()
bos.keys()
数据集大小
print("数据集大小\n",boston.data.shape)
数据集特征
print("数据集特征\n",boston.feature_names)
数据集预测
print("数据集预测\n",boston.target)

3.线性回归

bd = pd.DataFrame(bos.data)
print(bd)

print("开始进行一元线性回归！准备好了吗！")

import matplotlib.pyplot  as plt
data = bos.data
x = bos.data[:,5]
y = bos.target
plt.scatter(x,y)
plt.plot(x,8*x-25)# 这里定义一条直线 y = w*x+b，其中w是斜率，b是与y轴的截距
plt.show()

4.多项式

print("一元回归结束！开始进行多元线性回归！准备好了吗！")
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
boston = load_boston()
lineR = LinearRegression()
# w = lineR.coef_
# b = lineR.intercept_
x = boston.data[:,12].reshape(-1,1)
y = boston.target
lineR.fit(boston.data,y)
plt.figure(figsize=(10,6))
plt.scatter(x,y)
plt.plot(x,-0.8*x+30,'r')#回归线
plt.show()

5.比较线性和非线性

线性的话预测误差比较大，因为是一条直线，所以不能完全反映出散点图的变化
非线性的话比较灵活，也符合预测的结果，误差较小

二、中文文本分类

按学号未位下载相应数据集。

147：财经、彩票、房产、股票、

258：家居、教育、科技、社会、时尚、

0369：时政、体育、星座、游戏、娱乐

分别建立中文文本分类模型，实现对文本的分类。基本步骤如下：

1.各种获取文件，写文件

2.除去噪声，如：格式转换，去掉符号，整体规范化

3.遍历每个个文件夹下的每个文本文件。

4.使用jieba分词将中文文本切割。

中文分词就是将一句话拆分为各个词语，因为中文分词在不同的语境中歧义较大，所以分词极其重要。

可以用jieba.add_word('word')增加词，用jieba.load_userdict('wordDict.txt')导入词库。

维护自定义词库

5.去掉停用词。

维护停用词表

6.对处理之后的文本开始用TF-IDF算法进行单词权值的计算

7.贝叶斯预测种类

8.模型评价

9.新文本类别预测

#!/usr/bin/python
    # -*- coding:utf-8 -*-
    # -*- author:DavidHuang -*-
    import os
    import codecs
    import jieba
    path = r'F:\duym大作业\中文文本分析'
    with open(r'F:\duym大作业\stopsCN.txt',encoding='utf-8') as f:
        stopwords = f.read().split('\n')
    #存放文件(容器)
    DataPaths=[]
    #存放文件类型
    DataClasses=[]
    #存放读取的新闻内容
    DataContents=[]
    
    #遍历转码处理
    for root,dirs,files in os.walk(path):#循环目录
        for n in files:
            DataPath = os.path.join(root,n)#把路径和文件串起来
            DataPaths.append(DataPath)#将上一步数据添加到外部容器
            DataClasses.append(DataPath.split('\\')[2])#提取新闻的类别(子文件夹名)
            s = codecs.open(DataPath,'r','utf-8')#转码
            DataContent = s.read()#读取
            DataContent = DataContent.replace('\n','')#去掉\n
            tokens = [token for token in jieba.cut(DataContent)]#结巴分词
            tokens = " ".join([token for token in tokens if token not in stopwords])#去掉停用词
            s.close()#关闭文件
            DataContents.append(tokens)#将关键字添加到外部容器
    
    #矩阵排列
    import pandas
    all_datas = pandas.DataFrame({
        '新闻类别':DataClasses,
        '新闻内容':DataContents
    })
    print(all_datas)
    
    a = ''
    for i in range(len(DataContents)):
        a+=DataContents[i]
    
    import jieba.analyse
    keywords = jieba.analyse.extract_tags(a,topK=20,withWeight=True,allowPOS=('n','nr','ns'))
    
    from sklearn.model_selection import train_test_split
    x_train,x_test,y_train,y_test = train_test_split(DataContents,DataClasses,test_size=0.3,random_state=0,stratify=DataClasses)
    from sklearn.feature_extraction.text import TfidfVectorizer
    vectors = TfidfVectorizer()
    X_train = vectors.fit_transform(x_train)
    X_test = vectors.transform(x_test)
    from sklearn.naive_bayes import MultinomialNB
    mx = MultinomialNB()
    mod = mx.fit(X_train,y_train)
    y_predict = mod.predict(X_test,y_test)
    print("模型的准确率：",mod.score(X_test,y_test))
    
    from sklearn.metrics import classification_report
    print("模型评估报告：\n",classification_report(y_predict,y_test))
    
    import collections
    testcount = collections.Counter(y_test)
    predcount = collections.Counter(y_predict)
    namelist = list(testcount.keys())
    testlist = list(testcount.values())
    predictlist = list(predcount.values())
    x = list(range(len(namelist)))
    print("类别；",namelist,'\n',"实际：",testlist,'\n',"预测",predictlist)