大作业

 

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))