期末作業——波士頓房價預測及中文文本分詞

 一、boston房價預測

1. 讀取數據集

from sklearn.datasets import load_boston
boston = load_boston()
boston.keys()

print(boston.DESCR)

boston.data.shape

import pandas as pd
pd.DataFrame(boston.data)

　運行結果：

 

2. 訓練集與測試集划分

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(boston.data,boston.target,test_size=0.3)
print(x_train.shape,y_train.shape)

　運行結果：

3. 線性回歸模型：建立13個變量與房價之間的預測模型，並檢測模型好壞。

from sklearn.linear_model import LinearRegression#建立模型
mlr = LinearRegression()
mlr.fit(x_train,y_train)
print('系數',mlr.coef_,"\n截距",mlr.intercept_)

　運行結果：

#檢測模型好壞
from sklearn.metrics import regression
y_predict = mlr.predict(x_test)

print('線性回歸模型：')
print("預測的均方誤差：",regression.mean_squared_error(y_test,y_predict))
print("預測的平均絕對誤差：",regression.mean_absolute_error(y_test,y_predict))

print("模型的分數：",mlr.score(x_test,y_test))

　運行結果：

4. 多項式回歸模型：建立13個變量與房價之間的預測模型，並檢測模型好壞。

from sklearn.preprocessing import PolynomialFeatures

# 多項式化
poly2 =PolynomialFeatures(degree=2)
x_poly_train = poly2.fit_transform(x_train)
x_poly_test = poly2.transform(x_test)

mlrp = LinearRegression()# 建立模型
mlrp.fit(x_poly_train, y_train)

y_predict2 = mlrp.predict(x_poly_test)# 測模型好壞
print("多項式回歸模型：")
print("預測的均方誤差：",regression.mean_squared_error(y_test,y_predict2))
print("預測平均絕對誤差：",regression.mean_absolute_error(y_test,y_predict2))

print("模型的分數：",mlrp.score(x_poly_test,y_test))

　運行結果：

結論：

       通過計算可看到多項式回歸模型的均方誤差值、平均絕對誤差值都比線性回歸模型的值小，說明多項式回歸模型比線性回歸模型的擬合度更好。

5. 比較線性模型與非線性模型的性能，並說明原因。

        線性算法有著名的邏輯回歸、朴素貝葉斯、最大熵等，非線性算法有隨機森林、決策樹、神經網絡、核機器等等。線性算法舉應用訓練和預測數據集的效率比較高，但最終效果對特征的依賴程度較高，需要數據在特征層面上是線性可分的。因此，使用線性算法需要在特征工程上下不少功夫，盡量對特征進行選擇、變換或者組合等使得特征具有區分性。而非線性算法則可以建模復雜的分類面，從而能更好的擬合數據。

 二、中文文本分類

1.獲取文件，寫文件

import os
import numpy as np
import sys
from datetime import datetime
import gc
path = 'E:\\E\\Pycharm\\12.6期末作業\\147'

import jieba
with open(r'E:\\stopsCN.txt',encoding='utf-8') as f:    # 打開停用詞文本，將無用的詞讀入進去
    stopwords = f.read().split('\n')

2.除去噪聲，如：格式轉換，去掉符號，整體規范化

def processing(tokens):
    tokens = "".join([char for char in tokens if char.isalpha()])# 去掉非字母漢字的字符
    tokens = [token for token in jieba.cut(tokens,cut_all=True) if len(token) >=2]# 結巴分詞
    tokens = " ".join([token for token in tokens if token not in stopwords])# 去掉停用詞
    return tokens

 3.遍歷每個個文件夾下的每個文本文件，使用jieba分詞將中文文本切割

tokenList = []
targetList = []

for root,dirs,files in os.walk(path):
    for f in files:
        filePath = os.path.join(root,f)
        with open(filePath,encoding='gb18030',errors='ignore') as f:
            content = f.read()
            
            target = filePath.split('\\')[-2]
            targetList.append(target)
            tokenList.append(processing(content))

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB,MultinomialNB
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report

# 划分訓練集和測試集
x_train,x_test,y_train,y_test = train_test_split(tokenList,targetList,test_size=0.3,train_size=0.7)

vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)

from sklearn.naive_bayes import MultinomialNB
# 多項式朴素貝葉斯
mnb = MultinomialNB()
module = mnb.fit(X_train,y_train)

y_predict = module.predict(X_test)
# 對數據進行5次分割
scores=cross_val_score(mnb,X_test,y_test,cv=5)
print("Accuracy:%.3f"%scores.mean())
print("classification_report:\n",classification_report(y_predict,y_test))

　運行結果：

4.

targetList.append(target)
print(targetList[0:10])
tokenList.append(processing(content))
tokenList[0:10]

　運行結果：（很顯然，結果不理想，說明前面的代碼有問題，改正之后再更新）