機器學習(4)--估算波士頓房屋價格----帶AdaBoost的決策樹迴歸模型
阿新 • • 發佈:2019-01-02
估算波士頓房屋價格—-帶AdaBoost決策樹迴歸模型
使用帶AdaBoost演算法的決策樹迴歸器(descision tree regressor)
決策樹模型: 樹狀模型,每個節點做決策,從而影響決策結果,葉子節點表示輸出結果,分支表示根據輸入做出中間決策
AdaBoost:利用其他系統增強模型準確型的技術
程式碼如下:
#-*- coding:utf-8 -*-
import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import AdaBoostRegressor
from sklearn import datasets
from sklearn.metrics import mean_squared_error,explained_variance_score
from sklearn.utils import shuffle
import matplotlib.pyplot as plt
#載入房屋資料 波士頓房屋價格
housing_data=datasets.load_boston()
#housing_data.data 代表輸入價格,housing_data.target代表輸出價格
x,y=shuffle(housing_data.data,housing_data.target,random_state=7 )
#將資料分成80% 用於訓練,其他用於測試
num_training=int(0.8*len(x))
#訓練資料
x_train,y_train=x[:num_training],y[:num_training]
#測試資料
x_test,y_test=x[num_training:],y[num_training:]
#建立決策樹模型 最大深度是4 限制決策樹的深度
dt_regressor=DecisionTreeRegressor(max_depth=4)
dt_regressor.fit(x_train,y_train)
#使用帶AdaBoost演算法的決策樹模型進行擬合 fit代表擬合
ab_regressor=AdaBoostRegressor(DecisionTreeRegressor(max_depth=4),n_estimators=400,random_state=7)
ab_regressor.fit(x_train,y_train)
#檢視決策樹迴歸器的訓練結果
y_pred_dt=dt_regressor.predict(x_test)
mse=mean_squared_error(y_test,y_pred_dt)
evs=explained_variance_score(y_test,y_pred_dt)
print "\n ###決策樹學習效果###"
print "均方誤差 = ",round(mse,2)
print "解釋方差分 = ",round(evs,2)
#檢視對AdaBoost進行進行改進之後的演算法
y_pred_ab=ab_regressor.predict(x_test)
mse=mean_squared_error(y_test,y_pred_ab)
evs=explained_variance_score(y_test,y_pred_ab)
print "\n ###AdaBoost演算法改善效果###"
print "均方誤差 = ",round(mse,2)
print "解釋方差分 = ",round(evs,2)
def plot_feature_importances(feature_importances,title,feature_names):
#將重要性值標準化
feature_importances=100.0*(feature_importances/max(feature_importances))
#將得分從低到高進行排序 flipud 實現矩陣的翻轉
index_sorted=np.flipud(np.argsort(feature_importances))
#讓x座標軸上的把標籤居中 shape用於讀取矩陣的長度
pos=np.arange(index_sorted.shape[0])+0.5
#畫出條形圖
plt.figure()
#bar代表柱形圖
plt.bar(pos,feature_importances[index_sorted],align='center')
#為x軸的主刻度設定值
plt.xticks(pos,feature_names[index_sorted])
plt.ylabel('Relative importance')
plt.title(title)
plt.show()
#特徵重要性 圖形表示 feature_importances 代表每個特徵多樣性
#plot_feature_importances(dt_regressor.feature_importances_,'Decision Tree Regressor ',housing_data.feature_names)
plot_feature_importances(ab_regressor.feature_importances_,'AdaBoost Regressor ',housing_data.feature_names)
輸出結果
###決策樹學習效果###
均方誤差 = 14.79
解釋方差分 = 0.82
###AdaBoost演算法改善效果###
均方誤差 = 7.64
解釋方差分 = 0.91
繪製圖形如下所示: