期末大做業

 

1、boston房價預測

1. 讀取數據集

2. 訓練集與測試集劃分

3. 線性迴歸模型：創建13個變量與房價之間的預測模型，並檢測模型好壞。

4. 多項式迴歸模型：創建13個變量與房價之間的預測模型，並檢測模型好壞。

 

#1. 讀取數據集
from sklearn.datasets import load_boston
data = load_boston()

#2. 訓練集與測試集劃分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test= train_test_split(data.data,data.target,test_size=0.3)

#3. 線性迴歸模型：創建13個變量與房價之間的預測模型，並檢測模型好壞。
from sklearn.linear_model import LinearRegression
mlr = LinearRegression()
mlr.fit(x_train,y_train)
print('係數',mlr.coef_,"\n","截距",mlr.intercept_)
from sklearn.metrics import regression
y_pred = mlr.predict(x_test)
print("預測的均方偏差：", regression.mean_squared_error(y_test,y_pred))
print("預測的平均絕對偏差：", regression.mean_absolute_error(y_test,y_pred))
print("模型的分數：",mlr.score(x_test, y_test))

#4. 多項式迴歸模型：創建13個變量與房價之間的預測模型，並檢測模型好壞。
from sklearn.preprocessing import PolynomialFeatures
a = PolynomialFeatures(degree=2)
x_poly_train = a.fit_transform(x_train)
x_poly_test = a.transform(x_test)
mlrp = LinearRegression()
mlrp.fit(x_poly_train, y_train)
y_pred2 = mlrp.predict(x_poly_test)
print("預測的均方偏差：", regression.mean_squared_error(y_test,y_pred2))
print("預測的平均絕對偏差：", regression.mean_absolute_error(y_test,y_pred2))
print("模型的分數：",mlrp.score(x_poly_test, y_test))

　　

 

5. 比較線性模型與非線性模型的性能，並說明緣由。

非線性模型，即多項式迴歸模型性能較好，由於它是有不少點鏈接而成的曲線，對樣本的擬合程度較高，預測效果偏差較小

 

2、中文文本分類

按學號未位下載相應數據集。

147：財經、彩票、房產、股票、

258：家居、教育、科技、社會、時尚、

0369：時政、體育、星座、遊戲、娛樂

分別創建中文文本分類模型，實現對文本的分類。基本步驟以下：

1.各類獲取文件，寫文件

2.除去噪聲，如：格式轉換，去掉符號，總體規範化

3.遍歷每一個個文件夾下的每一個文本文件。

4.使用jieba分詞將中文文本切割。

中文分詞就是將一句話拆分爲各個詞語，由於中文分詞在不一樣的語境中歧義較大，因此分詞極其重要。

能夠用jieba.add_word('word')增長詞，用jieba.load_userdict('wordDict.txt')導入詞庫。

維護自定義詞庫

5.去掉停用詞。

維護停用詞表

6.對處理以後的文本開始用TF-IDF算法進行單詞權值的計算

7.貝葉斯預測種類

8.模型評價

9.新文本類別預測

 

處理過程當中注意：

• 實驗過程當中文件遍歷從少許到多量，調試無誤後再處理所有文件
• 判斷文件大小決定讀取方法
• 注意保存中間結果，以避免每次從頭讀取文件重複處理
• 內存不足時進行分批處理
• 利用數組的保存np.save('x1.npy',x1)與數組的讀取np.load('x1.npy')和數組的拼接np.concatenate((x1,x2),axis=0)
• 及時用 del(x1) 釋放大塊內存，用gc.collect()回收內存。
• 邊處理邊保存數據，不要處理完了一次性保存。萬一中間發生的異常狀況，就所有白作了。
• 進行Python 異常處理，把出錯的文件單獨記錄，程序能夠繼續執行。回頭再單獨處理出錯的文件。
• 在準備長時間無監督運行程序以前，請關閉windows自動更新、自動屏保關機等......

import os
import numpy as np
import sys
from datetime import datetime
import gc
path = 'G:\\258'

# 導入結巴庫，並將須要用到的詞庫加進字典
import jieba
jieba.load_userdict('jiaju.txt')
# 導入停用詞：
with open(r'stopsCN.txt', encoding='utf-8') as f:
    stopwords = f.read().split('\n')

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


# 用os.walk獲取須要的變量，並拼接文件路徑再打開每個文件
tokenList = []
targetList = []
for root,dirs,files in os.walk(path):
    for f in files:
        filePath = os.path.join(root,f)#地址拼接
        with open(filePath, encoding='utf-8') as f:
            content = f.read()
            # 獲取類別標籤，並處理該新聞
        target = filePath.split('\\')[-2]
        targetList.append(target)
        tokenList.append(processing(content))



# 劃分訓練集測試集並創建特徵向量,爲創建模型作準備
# 劃分訓練集測試集
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
x_train,x_test,y_train,y_test = train_test_split(tokenList,targetList,test_size=0.2,stratify=targetList)
# 轉化爲特徵向量，這裏選擇TfidfVectorizer的方式創建特徵向量。不一樣新聞的詞語使用會有較大不一樣。
vectorizer = TfidfVectorizer()
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)
# 創建模型,這裏用多項式樸素貝葉斯，由於樣本特徵的a分佈大部分是多元離散值
mnb = MultinomialNB()
module = mnb.fit(X_train, y_train)

#進行預測
y_predict = module.predict(X_test)
# 輸出模型精確度
scores=cross_val_score(mnb,X_test,y_test,cv=5)
print("精確度:%.3f"%scores.mean())
# 輸出模型評估報告
print("分類結果:\n",classification_report(y_predict,y_test))


# 將預測結果和實際結果進行對比
# 統計測試集和預測集的各種新聞個數
import collections
testCount = collections.Counter(y_test)
predCount = collections.Counter(y_predict)
print('實際：',testCount,'\n', '預測', predCount)

# 創建標籤列表，實際結果列表，預測結果列表，
nameList = list(testCount.keys())
testList = list(testCount.values())
predictList = list(predCount.values())
x = list(range(len(nameList)))
print("文本類別：",nameList,'\n',"實際：",testList,'\n',"預測：",predictList)

# 畫圖
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默認字體
plt.figure(figsize=(7,5))
total_width, n = 0.6, 2
width = total_width / n
plt.bar(x, testList, width=width,label='實際',facecolor = 'y',hatch = '+')
for i in range(len(x)):
    x[i] = x[i] + width
plt.bar(x, predictList,width=width,label='預測',tick_label = nameList,facecolor='b',hatch = 'o')
plt.title('實際和預測對比圖',fontsize=20)
plt.xlabel('文本類別',fontsize=20)
plt.ylabel('頻數',fontsize=20)
plt.legend(fontsize =20)
plt.tick_params(labelsize=15)
plt.show()