用python面向对象写个机器学习实例

好的，我来给你举个例子。这个例子是一个简单的线性回归模型，用于预测房屋价格。我们将使用Python中的面向对象编程（OOP）来实现这个模型。

首先，我们需要创建一个数据类，用于加载和处理我们的训练数据：

import pandas as pd

class Dataset:
    def __init__(self, data_path):
        self.df = pd.read_csv(data_path)

    def split(self, train_ratio):
        train_size = int(len(self.df) * train_ratio)
        train_data = self.df[:train_size]
        test_data = self.df[train_size:]
        return train_data, test_data

    def get_features_labels(self, data):
        x = data.drop(['price'], axis=1)
        y = data['price']
        return x, y

然后，我们需要创建一个模型类，用于训练和测试我们的线性回归模型：

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

class LinearRegressionModel:
    def __init__(self):
        self.model = LinearRegression()

    def train(self, X_train, y_train):
        self.model.fit(X_train, y_train)

    def predict(self, X_test):
        y_pred = self.model.predict(X_test)
        return y_pred

    def evaluate(self, X_test, y_test):
        y_pred = self.model.predict(X_test)
        mse = mean_squared_error(y_test, y_pred)
        rmse = mse ** 0.5
        return rmse

最后，我们需要创建一个执行类，用于执行我们的机器学习程序：

class LinearRegressionRunner:
    def __init__(self, data_path, train_ratio):
        self.dataset = Dataset(data_path)
        self.train_ratio = train_ratio
        self.model = LinearRegressionModel()

    def run(self):
        train_data, test_data = self.dataset.split(self.train_ratio)
        X_train, y_train = self.dataset.get_features_labels(train_data)
        X_test, y_test = self.dataset.get_features_labels(test_data)

        self.model.train(X_train, y_train)
        rmse = self.model.evaluate(X_test, y_test)

        print(f"Root Mean Squared Error: {rmse}")

现在，我们可以创建一个LinearRegressionRunner实例，并运行我们的程序：

runner = LinearRegressionRunner("housing.csv", 0.8)
runner.run()

这个程序将加载housing.csv文件中的数据，将其分为训练数据和测试数据，并使用线性回归模型进行训练和测试。最后，它将输出RMSE（均方根误差）指标，以评估我们的模型的性能。