机器学习《决策树回归》
引用波士顿数据集
from sklearn import datasets
from sklearn.model_selection import train_test_split #分割数模块
datas = datasets.load_boston() #波士顿数据集
data_x = datas.data #取出波士顿数据中的特征数据
data_y = datas.target # 取出标签数据
分割数据
用train_x train_y 对data_x进行二八分 分成俩个训练集
用test_x test_y 对data_y进行二八分 分成俩个测试集
train_x,test_x,train_y,test_y = train_test_split(data_x,data_y,test_size=0.2)
创建模型
from sklearn.tree import DecisionTreeRegressor
dtReg = DecisionTreeRegressor()
训练 训练集
dtReg.fit(train_x,train_y)
将test_x预测集 进行预测
y_pre = dtReg.predict(test_x)
#打印预测结果
print(‘打印预测结果:\n{}’.format(y_pre))
#打印原数据
print(‘打印原数据:\n{}’.format(test_y))
评估
import sklearn.metrics as metircs
print(‘平均绝对误差mse:\n{}’.format(round(metircs.mean_squared_error(y_pred =y_pre,y_true = test_y))))
print(‘均方误差mae:\n{}’.format(metircs.mean_absolute_error(y_pred=y_pre,y_true=test_y)))
print(‘解释方差分R2:\n{}’.format(metircs.r2_score(y_pred = y_pre,y_true=test_y)))