标签：销售 tab 相关 ict result process read orm numpy
| from __future__ import print_function |
| # 导入相关python库 |
| import os |
| import numpy as np |
| import pandas as pd |
| #设定随机数种子 |
| np.random.seed(36) |
| #使用matplotlib库画图 |
| import matplotlib |
| import seaborn |
| import matplotlib.pyplot as plot |
| from sklearn import datasets |
| #读取数据 |
| housing = pd.read_csv(‘kc_train.csv‘) |
| target=pd.read_csv(‘kc_train2.csv‘) #销售价格 |
| t=pd.read_csv(‘kc_test.csv‘) #测试数据 |
| #数据预处理 |
| housing.info() #查看是否有缺失值 |
| #特征缩放 |
| from sklearn.preprocessing import MinMaxScaler |
| minmax_scaler=MinMaxScaler() |
| minmax_scaler.fit(housing) #进行内部拟合，内部参数会发生变化 |
| scaler_housing=minmax_scaler.transform(housing) |
| scaler_housing=pd.DataFrame(scaler_housing,columns=housing.columns) |
| mm=MinMaxScaler() |
| mm.fit(t) |
| scaler_t=mm.transform(t) |
| scaler_t=pd.DataFrame(scaler_t,columns=t.columns) |
| #选择基于梯度下降的线性回归模型 |
| from sklearn.linear_model import LinearRegression |
| LR_reg=LinearRegression() |
| #进行拟合 |
| LR_reg.fit(scaler_housing,target) |
| #使用均方误差用于评价模型好坏 |
| from sklearn.metrics import mean_squared_error |
| preds=LR_reg.predict(scaler_housing) #输入数据进行预测得到结果 |
| mse=mean_squared_error(preds,target) #使用均方误差来评价模型好坏，可以输出mse进行查看评价值 |
| #绘图进行比较 |
| plot.figure(figsize=(10,7)) #画布大小 |
| num=100 |
| x=np.arange(1,num+1) #取100个点进行比较 |
| plot.plot(x,target[:num],label=‘target‘) #目标取值 |
| plot.plot(x,preds[:num],label=‘preds‘) #预测取值 |
| plot.legend(loc=‘upper right‘) #线条显示位置 |
| plot.show() |
| #输出测试数据 |
| result=LR_reg.predict(scaler_t) |
| df_result=pd.DataFrame(result) |
df_result.to_csv("result.csv")
| # 兼容 pythone2,3 |
标签：销售 tab 相关 ict result process read orm numpy
原文地址：https://www.cnblogs.com/hrnn/p/13404248.html
