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)代码如下:
from sklearn.model_selection import train_test_split
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=0.3)
# 1.建立线性回归模型
model_1 = LinearRegression()
model_1.fit(x_train,y_train)
print('系数',model_1.coef_,"\n截距",model_1.intercept_)
# 检测模型好坏
from sklearn.metrics import regression
y_predict1 = model_1.predict(x_test)
print("预测的均方误差：", regression.mean_squared_error(y_test,y_predict1))
print("预测的平均绝对误差：", regression.mean_absolute_error(y_test,y_predict1))
# 打印模型的分数
print("模型的分数：",model_1.score(x_test, y_test))
结果如下:
2)代码如下:
# 2.多元多项式回归模型
# 多项式化
from sklearn.preprocessing import PolynomialFeatures
deal = PolynomialFeatures(degree=2)
x2_train = deal.fit_transform(x_train)
x2_test = deal.transform(x_test)
# 建立模型
model_2 = LinearRegression()
model_2.fit(x2_train, y_train)
# 预测
y_predict2 = model_2.predict(x2_test)
# 检测模型好坏
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：",model_2.score(x2_test, y_test))
结果如下:
3)比较
多项式回归模型的曲线更加适应数据的分布性,并且模型分数更加高
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
#1)导包
import jieba
import os
#2)导入停用词
stopword=open('E:\stopsCN.txt','r',encoding="utf-8").read()
#3)数据处理
def processing(tokens):
# 去掉非字母汉字的字符
tokens = "".join([char for char in tokens if char.isalpha()])
# 结巴分词
tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2]
# 去掉停用词
tokens = " ".join([token for token in tokens if token not in stopword])
return tokens
#词频统计
def count(tokens):
lifedict = {}
for word in tokens:
if len(word) == 1:
continue
else:
lifedict[word] = lifedict.get(word, 0) + 1
wordlist = list(lifedict.items())
wordlist.sort(key=lambda x: x[1], reverse=True)#降序排序
#4)读取文件
all_txt=[]
all_target=[]
path = r'E:\0369'
files = os.listdir(path)
for root,dirs,files in os.walk(path):
for file in files:
filepath = os.path.join(root, file) # 文件路径
tokens=open(filepath,'r',encoding='utf-8').read()
tokens=processing(tokens)
all_txt.append(tokens)
target = filepath.split('\\')[-2]#按文件夹获取特征名
all_target.append(target)
#5)按6:4比例分为训练集和测试集
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(all_txt,all_target,test_size=0.4,stratify=all_target)
#6)将其向量化
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer=TfidfVectorizer()
X_train=vectorizer.fit_transform(x_train)
X_test=vectorizer.transform(x_test)
#7)分类结果显示
from sklearn.naive_bayes import MultinomialNB
mnb=MultinomialNB()
clf=mnb.fit(X_train,y_train)
#8)进行预测
y_predict = clf.predict(X_test)
#9)输出模型精确度
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
scores=cross_val_score(mnb,X_test,y_test,cv=4)
print("Accuracy:%.3f"%scores.mean())
#10)输出模型评估报告
print("classification_report:\n",classification_report(y_predict,y_test))
