【机器学习实战】对加州住房价格数据集进行回归预测(线性回归、决策树)

1. 使用线性回归训练、评估

# 先训练一个线性回归模型
from sklearn.linear_model import LinearRegression
lin_reg = LinearRegression()
lin_reg.fit(housing_prepared, housing_labels)
# 对整个数据集的预测效果使用RMSE来进行评估
from sklearn.metrics import mean_squared_error
housing_predictions = lin_reg.predict(housing_prepared)
lin_mse = mean_squared_error(housing_labels, housing_predictions)
lin_rmse = np.sqrt(lin_mse)
lin_rmse

【机器学习实战】对加州住房价格数据集进行回归预测(线性回归、决策树)_第1张图片
【机器学习实战】对加州住房价格数据集进行回归预测(线性回归、决策树)_第2张图片

2. 使用决策树训练、评估

from sklearn.tree import DecisionTreeRegressor
tree_reg = DecisionTreeRegressor()
tree_reg.fit(housing_prepared, housing_labels) # 模型训练
housing_predictions = tree_reg.predict(housing_prepared) # 模型预测
tree_mse = mean_squared_error(housing_labels, housing_predictions)
tree_rmse = np.sqrt(tree_mse)
tree_rmse

【机器学习实战】对加州住房价格数据集进行回归预测(线性回归、决策树)_第3张图片

  • 过拟合了。。。

你可能感兴趣的:(回归,线性回归)