给我一个机器学习的案例,附带代码
时间: 2024-05-01 16:23:12 浏览: 17
以下是一个简单的机器学习案例,使用 Python 编程语言和 Scikit-learn 库实现。
任务:基于房屋面积和房价历史数据,训练一个线性回归模型,预测新房屋的价格。
代码:
```python
import pandas as pd
from sklearn.linear_model import LinearRegression
# 读取数据集
data = pd.read_csv('house_price.csv')
# 提取特征和标签
X = data['area'].values.reshape(-1, 1)
y = data['price'].values.reshape(-1, 1)
# 训练模型
reg = LinearRegression().fit(X, y)
# 预测新数据
new_data = [[70], [80], [90]] # 新房屋的面积
predicted_prices = reg.predict(new_data)
print(predicted_prices)
```
数据集 house_price.csv 包含两列数据:房屋面积和房价。首先读取数据集并提取特征和标签,然后使用 LinearRegression 类训练模型。最后,我们使用训练好的模型预测新房屋的价格。
请注意,这只是一个简单的示例,并不代表实际的机器学习应用程序。在实际应用中,需要更多的数据预处理、特征工程和模型调整等步骤。
相关问题
给我写一个机器学习分类问题的案例代码
好的,以下是一个机器学习分类问题的案例代码,它使用了支持向量机(SVM)算法对鸢尾花数据集进行分类。
首先,先导入必要的库和数据集:
```python
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target
```
然后,将数据集分为训练集和测试集:
```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```
接下来,使用支持向量机算法进行训练和预测:
```python
# 创建SVM分类器
clf = SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
```
最后,使用准确率作为评价指标来评估模型的性能:
```python
# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("准确率为:", acc)
```
完整代码如下:
```python
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建SVM分类器
clf = SVC(kernel='linear')
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("准确率为:", acc)
```
以上就是一个简单的机器学习分类问题的案例代码,它使用了支持向量机算法对鸢尾花数据集进行分类。
给我写一个机器学习回归问题的案例代码
好的,以下是一个机器学习回归问题的案例代码,它使用了随机森林算法对波士顿房价数据集进行回归预测。
首先,先导入必要的库和数据集:
```python
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target
```
然后,将数据集分为训练集和测试集:
```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```
接下来,使用随机森林算法进行训练和预测:
```python
# 创建随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=42)
# 训练模型
rf.fit(X_train, y_train)
# 预测测试集
y_pred = rf.predict(X_test)
```
最后,使用均方误差(MSE)作为评价指标来评估模型的性能:
```python
# 计算MSE
mse = mean_squared_error(y_test, y_pred)
print("均方误差为:", mse)
```
完整代码如下:
```python
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=42)
# 训练模型
rf.fit(X_train, y_train)
# 预测测试集
y_pred = rf.predict(X_test)
# 计算MSE
mse = mean_squared_error(y_test, y_pred)
print("均方误差为:", mse)
```
以上就是一个简单的机器学习回归问题的案例代码,它使用了随机森林算法对波士顿房价数据集进行回归预测。