波士顿房价预测数据及代码

本资源包含数据，代码，解释，相应的文件。代码是练习用的，文章中的代码都可以运行出来，是很好的一个练手项目。

###########################################
# Suppress matplotlib user warnings
# Necessary for newer version of matplotlib
import warnings
warnings.filterwarnings（“ignore“ category = UserWarning module = “matplotlib“）
#
# Display inline matplotlib plots with IPython
from IPython import get_ipython
get_ipython（）.run_line_magic（‘matplotlib‘ ‘inline‘）
###########################################

import matplotlib.pyplot as pl
import numpy as np
from sklearn.model_selection import learning_curve validation_curve
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import ShuffleSplit train_test_split


def ModelLearning（X y）:
    “““ Calculates the performance of several models with varying sizes of training data.
        The learning and validation scores for each model are then plotted. “““
    
    # Create 10 cross-validation sets for training and testing
    cv = ShuffleSplit（n_splits = 10 test_size = 0.2 random_state = 0）


    # Generate the training set sizes increasing by 50
    train_sizes = np.rint（np.linspace（1 X.shape[0]*0.8 - 1 9））.astype（int）

    # Create the figure window
    fig = pl.figure（figsize=（107））

    # Create three different models based on max_depth
    for k depth in enumerate（[13610]）:
        
        # Create a Decision tree regressor at max_depth = depth
        regressor = DecisionTreeRegressor（max_depth = depth）

        # Calculate the training and testing scores
        sizes train_scores valid_scores = learning_curve（regressor X y \
            cv = cv train_sizes = train_sizes scoring = ‘r2‘）
        
        # Find the mean and standard deviation for smoothing
        train_std = np.std（train_scores axis = 1）
        train_mean = np.mean（train_scores axis = 1）
        valid_std = np.std（valid_scores axis = 1）
        valid_mean = np.mean（valid_scores axis = 1）

        # Subplot the learning curve 
        ax = fig.add_subplot（2 2 k+1）
        ax.plot（sizes train_mean ‘o-‘ color = ‘r‘ label = ‘Training Score‘）
        ax.plot（sizes valid_mean ‘o-‘ color = ‘g‘ label = ‘Validation Score‘）
        ax.fill_between（sizes train_mean - train_std \
            train_mean + train_std alpha = 0.15 color = ‘r‘）
        ax.fill_between（sizes valid_mean - valid_std \
            valid_mean + valid_std alpha = 0.15 color = ‘g‘）
        
        # Labels
        ax.set_title（‘max_depth = %s‘%（depth））
        ax.set_xlabel（‘Number of Training Points‘）
        ax.set_ylabel（‘r2_score‘）
        ax.set_xlim（[0 X.shape[0]*0.8]）
        ax.set_ylim（[-0.05 1.05]）
    
    # Visual aesthetics
    ax.legend（bbox_to_anchor=（1.05 2.05） loc=‘lower left‘ borderaxespad = 0.）
    fig.suptitle（‘Decision Tree Regressor Learning Performances‘ fontsize = 16 y = 1.03）
    fig.tight_layout（）
    fig.show（）


def ModelComplexity（X y）:
    “““ Calculates the performance of the model as model complexity increases.
        The learning and validation errors rates are then pl

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        784  2018-12-17 13:57  boston_housing\.gitignore

     文件      30918  2018-12-17 13:57  boston_housing\boston_housing.ipynb

     文件      12435  2018-12-17 13:57  boston_housing\housing.csv

     文件       1554  2018-12-17 13:57  boston_housing\README.md

     文件       5046  2018-12-17 13:57  boston_housing\visuals.py

     目录          0  2018-12-17 13:57  boston_housing

----------- ---------  ---------- -----  ----

                50737                    6