期末大作业

 

一、boston房价预测

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import regression
from sklearn.preprocessing import PolynomialFeatures

　　波士顿房价数据集

boston = load_boston()
boston.keys()
print(boston.keys())

　　训练集与测试集划分

x_train,x_test,y_train,y_test = train_test_split(boston.data,boston.target,test_size=0.3)

　　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。

#建立多元线性回归模型
mlr = LinearRegression()
mlr.fit(x_train,y_train)
print('系数',mlr.coef_,"\n截距",mlr.intercept_)
#检测模型的好坏
y_predict = mlr.predict(x_test)

　　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。

#多项式回归模型
poly1 = PolynomialFeatures()
x_ploy_train = poly1.fit_transform(x_train)
x_ploy_test = poly1.transform(x_test)
#建模
mlrpoly = LinearRegression()
mlrpoly.fit(x_ploy_train,y_train)
#检测模型的好坏
y_predict1 = mlrpoly.predict(x_ploy_test)

　　比较线性模型与非线性模型的性能，并说明原因。

#计算模型的预测指标
print("线性回归模型")
print("预测的均方误差:",regression.mean_squared_error(y_test,y_predict))
print("预测的平均绝对误差:",regression.mean_absolute_error(y_test,y_predict))

　　

#计算多项式回归模型的预测指标
print("多项式回归模型")
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))
print("模型的分数：",mlrpoly.score(x_ploy_test,y_test))

　　

二、中文文本分类

获取文件，写文件

import os
path = r'D:\vaseline\258\data'
#停用词
import codecs
import jieba
with open(r'D:\vaseline\dym\stopsCN.txt',encoding='utf-8') as f:
    stopwords = f.read().split('\n')

使用jieba分词将中文文本切割，去掉停用词表

def processing(tokens):
    # 去掉非字母汉字的字符
    tokens = "".join([char for char in tokens if char.isalpha()])
    #jieba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 stopwords])
    return tokens

　　遍历每个个文件夹下的每个文本文件。

#存放文件名
filePaths = []
#存放读取的数据
fileContents = []
#存放文件类型
fileClasses = []
#进行遍历实现转码读取处理并对每条新闻进行切分
for root,dirs,files in os.walk(path):
    for name in files:
        filePath = os.path.join(root,name)
        filePaths.append(filePath)
        f = codecs.open(filePath,encoding='utf-8')
        fileContent = f.read()
        # 获取新闻类别标签，并处理该新闻
        fileClasses.append(filePath.split('\\')[-2])
        fileContents.append(processing(fileContent))


import pandas;
all_datas = pandas.DataFrame({
    'fileClasses':fileClasses,
    'fileContent':fileContents
})
print(all_datas)

　　

 

模型评价

划分训练集测试集并建立特征向量，为建立模型做准备
#划分训练集测试集
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB,MultinomialNB
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report
x_train,x_test,y_train,y_test = train_test_split(fileContents,fileClasses,test_size=0.2)
# 转化为特征向量，这里选择TfidfVectorizer的方式建立特征向量。不同新闻的词语使用会有较大不同。
V=TfidfVectorizer()
X_train = V.fit_transform(x_train)
X_test = V.transform(x_test)
# 建立模型,这里用多项式朴素贝叶斯，因为样本特征的a分布大部分是多元离散值
mnb=MultinomialNB()
module = mnb.fit(X_train,y_train)
#预测
y_predict = module.predict(X_test)
#输出模型的精准度
scores = cross_val_score(mnb,X_test,y_test,cv=5)
print("Accuracy:",scores.mean())
#输出模型
print("classification_report:\n",classification_report(y_predict,y_test))