期末作业——波士顿房价预测及中文文本分词

 一、boston房价预测

1. 读取数据集

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)

　运行结果：

2. 训练集与测试集划分

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)

　运行结果：

3. 线性回归模型：建立13个变量与房价之间的预测模型，并检测模型好坏。

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

　运行结果：

#检测模型好坏
from sklearn.metrics import regression
y_predict = mlr.predict(x_test)

print('线性回归模型：')
print("预测的均方误差：",regression.mean_squared_error(y_test,y_predict))
print("预测的平均绝对误差：",regression.mean_absolute_error(y_test,y_predict))

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

　运行结果：

4. 多项式回归模型：建立13个变量与房价之间的预测模型，并检测模型好坏。

from sklearn.preprocessing import PolynomialFeatures

# 多项式化
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)# 测模型好坏
print("多项式回归模型：")
print("预测的均方误差：",regression.mean_squared_error(y_test,y_predict2))
print("预测平均绝对误差：",regression.mean_absolute_error(y_test,y_predict2))

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

　运行结果：

结论：

       通过计算可看到多项式回归模型的均方误差值、平均绝对误差值都比线性回归模型的值小，说明多项式回归模型比线性回归模型的拟合度更好。

5. 比较线性模型与非线性模型的性能，并说明原因。

        线性算法有著名的逻辑回归、朴素贝叶斯、最大熵等，非线性算法有随机森林、决策树、神经网络、核机器等等。线性算法举应用训练和预测数据集的效率比较高，但最终效果对特征的依赖程度较高，需要数据在特征层面上是线性可分的。因此，使用线性算法需要在特征工程上下不少功夫，尽量对特征进行选择、变换或者组合等使得特征具有区分性。而非线性算法则可以建模复杂的分类面，从而能更好的拟合数据。

 二、中文文本分类

1.获取文件，写文件

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

import jieba
with open(r'E:\stopsCN.txt',encoding='utf-8') as f:    # 打开停用词文本，将无用的词读入进去
    stopwords = f.read().split('
')

2.除去噪声，如：格式转换，去掉符号，整体规范化

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

 3.遍历每个个文件夹下的每个文本文件，使用jieba分词将中文文本切割

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

# 划分训练集和测试集
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
# 多项式朴素贝叶斯
mnb = MultinomialNB()
module = mnb.fit(X_train,y_train)

y_predict = module.predict(X_test)
# 对数据进行5次分割
scores=cross_val_score(mnb,X_test,y_test,cv=5)
print("Accuracy:%.3f"%scores.mean())
print("classification_report:
",classification_report(y_predict,y_test))

　运行结果：

4.

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

　运行结果：（很显然，结果不理想，说明前面的代码有问题，改正之后再更新）