波士顿房价决策树python编码

波士顿房价机器学习作业python编码，策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。 决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、

# -*- coding: utf-8 -*-
“““
Created on Thu May 31 13:40:50 2018

@author: borui
“““

import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import AdaBoostRegressor
from sklearn import  datasets
from sklearn.metrics import mean_squared_errorexplained_variance_score
from sklearn.utils import shuffle
import matplotlib.pyplot as plt


#加载房屋数据 波士顿房屋价格
housing_data=datasets.load_boston（）
#housing_data.data 代表输入价格housing_data.target代表输出价格
xy=shuffle（housing_data.datahousing_data.targetrandom_state=7）

#将数据分成80% 用于训练其他用于测试
num_training=int（0.8*len（x））
#训练数据
x_trainy_train=x[:num_training]y[:num_training]
#测试数据
x_testy_test=x[num_training:]y[num_training:]

#建立决策树模型 最大深度是4 限制决策树的深度
dt_regressor=DecisionTreeRegressor（max_depth=