线性回归预测波士顿房价

"""
正规方程：sklearn.linear_model.LinearRegression(最小二乘法线性回归)更准确
    使用于线性模型
梯度下降：sklearn.linear_model.SGDRegressor(最小二乘法线性回归)适合数据量大
    适用于各种类型的模型

线性回归需要进行标准化处理
"""
# 导入波士顿房价数据集
from sklearn.datasets import load_boston
# 导入线性回归两种方法，正规方程和梯度下降
from sklearn.linear_model import LinearRegression, SGDRegressor
# 分割数据集API
from sklearn.model_selection import train_test_split
# 导入标准化API
from sklearn.preprocessing import StandardScaler
# 均方误差
from sklearn.metrics import mean_squared_error


def price_predict():
    """
    利用线性回归对波士顿房价进行预测
    :return:
    """
    # 获取数据
    lb = load_boston()

    # 分割数据集到训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(lb.data, lb.target, test_size=0.25)
    # print(y_train, y_test)

    # 进行标准化处理,目标值同样需要进行标准化处理，实例化两个标准化API
    std_x = StandardScaler()
    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)

    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1, 1))  # reshape(-1, 1)指将其转化为一列，行自动确定
    y_test = std_y.transform(y_test.reshape(-1, 1))  # fit()方法要求第二个参数传递的是一维的


    # 估计器预测
    # 1.正规方程求解方程预测结果
    lr = LinearRegression()
    lr.fit(x_train, y_train)

    print(lr.coef_)

    # 预测测试集的房子价格
    y_predict = lr.predict(x_test)
    y_predict = std_y.inverse_transform(y_predict)
    print("测试集的房子价格为：　", y_predict)

    print("*"*50)

    # 2.利用梯度下降进行线性回归预测
    sgd = SGDRegressor()
    sgd.fit(x_train, y_train)
    print(sgd.coef_)
    y_sgd_predict = sgd.predict(x_test)
    y_sgd_predict = std_y.inverse_transform(y_sgd_predict)
    print("测试集的房子价格为：　", y_predict)

    print("正规方程的均方误差：　", mean_squared_error(std_y.inverse_transform(y_test), y_predict))
    print("梯度下降的均方误差：　", mean_squared_error(std_y.inverse_transform(y_test), y_sgd_predict))
    return None

if __name__ == '__main__':
    price_predict()