波士頓房地產雲端評估(二)

Search…

波士頓房地產雲端評估(二)

支持向量機回歸分析: Property value prediction
此檔案使用scikit-learn 機器學習套件裡的SVR演算法，來達成波士頓房地產價錢預測
(一)引入函式庫及內建波士頓房地產資料庫
引入之函式庫如下
1.sklearn.datasets: 用來匯入內建之波士頓房地產資料庫
2.sklearn.SVR: 支持向量機回歸分析之演算法
3.matplotlib.pyplot: 用來繪製影像
1
from sklearn import datasets
2
from sklearn.svm import SVR
3
import matplotlib.pyplot as plt
4
​
5
boston = datasets.load_boston()
6
X=boston.data
7
y = boston.target
Copied!
使用 datasets.load_boston() 將資料存入至boston。 使用datasets.data將士頓房地產資料的數據資料(data)匯入到X。 使用datasets.target將士頓房地產資料的預測數值匯入到y。 為一個dict型別資料，我們看一下資料的內容。
(二)SVR的使用
sklearn.svm.SVR(kernel='rbf', degree=3, gamma='auto', coef0=0.0, tol=0.001, C=1.0, epsilon=0.1, shrinking=True, cache_size=200, verbose=False, max_iter=-1)
1
clf = SVR(kernel='rbf', C=1e3, gamma=0.1)
2
clf.fit(X, y)
Copied!
使用clf = SVR(kernel='rbf', C=1e3, gamma=0.1)，將SVR演算法引入到clf，並設定SVR演算法的參數。 使用clf.fit(X, y)，用波士頓房地產數據(boston.data)以及預測目標(y)來訓練預測機clf
(三)使用joblib.dump匯出預測器
1
from sklearn.externals import joblib
2
joblib.dump(clf,"./machine_SVR.pkl")
Copied!
使用joblib.dump將SVR預測器匯出為pkl檔。
(四)訓練以及分類
接著使用clf=joblib.load("./machine_SVR.pkl")將pkl檔匯入為一個SVR預測器clf。接著使用波士頓房地產數據(boston.data)，以及預測目標(y)來訓練預測機clf clf.fit(boston.data, y)。最後，使用predict_y=clf.predict(boston.data[2])預測第三筆資料的價格，並將結果存入predicted_y變數。
1
clf=joblib.load("./machine_SVR.pkl")
2
clf.fit(boston.data, y)
3
predict_y=clf.predict(boston.data[2])
Copied!
(五)使用score計算準確率
先用predict=clf.predict(X)將所有波士頓房地產數據丟入clf預測機預測，並將所預測出的結果存入predict。接著使用clf.score(X, y)來計算準確率，score=1為最理想情況，本範例中score=0.99988275378631286
1
predict=clf.predict(X)
2
clf.score(X, y)
Copied!
(六)繪出預測結果與實際目標差異圖
X軸為預測結果，Y軸為回歸目標。 並劃出一條斜率=1的理想曲線(用虛線標示)。 紅點為房地產第三項數據的預測結果
因為使用clf的準確率很高，所以預測結果與回歸目標幾乎一樣，scatter的點會幾乎都在理想曲線上。
1
plt.scatter(predict,y,s=2)
2
plt.plot(predict_y, predict_y, 'ro')
3
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=2)
4
plt.xlabel('Predicted')
5
plt.ylabel('Measured')
Copied!
(六)完整程式碼
1
%matplotlib inline
2
from sklearn import datasets
3
from sklearn.svm import SVR
4
import matplotlib.pyplot as plt
5
​
6
boston = datasets.load_boston()
7
X=boston.data
8
y = boston.target
9
clf = SVR(kernel='rbf', C=1e3, gamma=0.1)
10
clf.fit(X, y)
11
from sklearn.externals import joblib
12
joblib.dump(clf,"./machine_SVR.pkl")
13
clf=joblib.load("./machine_SVR.pkl")
14
clf.fit(boston.data, y)
15
predict_y=clf.predict(boston.data[2])
16
predict=clf.predict(X)
17
clf.score(X, y)
18
plt.scatter(predict,y,s=2)
19
plt.plot(predict_y, predict_y, 'ro')
20
plt.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=2)
21
plt.xlabel('Predicted')
22
plt.ylabel('Measured')
Copied!