岭回归模型预测波士顿房价
时间: 2024-05-04 09:13:16 浏览: 12
岭回归是一种用于解决线性回归问题的统计模型。它通过在损失函数中添加一个正则化项来减小模型的复杂度,从而避免过拟合的问题。岭回归模型可以用于预测波士顿房价。
要使用岭回归模型预测波士顿房价,首先需要准备数据集。波士顿房价数据集是一个经典的用于回归问题的数据集,可以在scikit-learn库中找到。
下面是一个使用岭回归模型预测波士顿房价的示例代码:
```python
from sklearn.datasets import load_boston
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
# 加载波士顿房价数据集
boston = 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)
# 创建岭回归模型
ridge = Ridge(alpha=1.0) # alpha是正则化项的系数,可以调整模型的复杂度
# 在训练集上训练模型
ridge.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = ridge.predict(X_test)
# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print("均方误差:", mse)
```
在上面的代码中,首先使用`load_boston`函数加载波士顿房价数据集,然后使用`train_test_split`函数将数据集划分为训练集和测试集。接下来,创建一个岭回归模型,并使用训练集对模型进行训练。最后,使用测试集进行预测,并计算预测结果与真实值之间的均方误差。
希望以上代码对你有所帮助!