用sklearn和tensorflow做boston房价的回归计算的比较(1)--经典的sklearn集成模型

### 使用sklearn实现波士顿房价预测的回归分析 以下是使用 `scikit-learn` 实现波士顿房价预测的一个完整代码示例。该代码涵盖了数据加载、预处理、模型训练以及评估的过程。 #### 数据准备 波士顿房价数据集可以通过 `sklearn.datasets` 加载，其中包含了特征 (`data`) 和目标值 (`target`) 的数组[^2]。 ```python from sklearn import datasets import numpy as np # 加载波士顿房价数据集 boston = datasets.load_boston() X = boston.data # 特征矩阵 y = boston.target # 目标向量 ``` #### 数据分割 为了验证模型性能，通常会将数据分为训练集和测试集。这里可以使用 `train_test_split` 方法完成这一操作。 ```python from sklearn.model_selection import train_test_split # 将数据划分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` #### 模型选择与训练 可以选择多种回归算法进行建模，例如线性回归、岭回归、Lasso 回归等。以下是一个简单的线性回归模型的例子： ```python from sklearn.linear_model import LinearRegression # 创建线性回归模型实例 linear_reg = LinearRegression() # 训练模型 linear_reg.fit(X_train, y_train) # 输出模型参数 print("Coefficients:", linear_reg.coef_) # 权重系数 w 值[^3] print("Intercept:", linear_reg.intercept_) # 截距 b 值[^3] ``` #### 模型预测与评估 利用训练好的模型对测试集进行预测，并计算其 R² 分数作为评价指标。 ```python from sklearn.metrics import r2_score # 对测试集进行预测 y_pred = linear_reg.predict(X_test) # 计算R²分数 r2 = r2_score(y_test, y_pred) print(f"R² Score on Test Set: {r2:.4f}") ``` 完整的代码如下所示： ```python from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score import numpy as np # 加载波士顿房价数据集 boston = datasets.load_boston() X = boston.data y = boston.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 初始化并训练线性回归模型 linear_reg = LinearRegression() linear_reg.fit(X_train, y_train) # 打印模型参数 print("Coefficients:", linear_reg.coef_) print("Intercept:", linear_reg.intercept_) # 测试集上的预测 y_pred = linear_reg.predict(X_test) # 计算R²得分 r2 = r2_score(y_test, y_pred) print(f"R² Score on Test Set: {r2:.4f}") ``` 以上代码展示了如何使用 `LinearRegression` 进行波士顿房价预测的基础流程[^1]。 --- ####