我试图通过波士顿住房数据集来学习scikit-learn
和机器学习。
# I splitted the initial dataset ('housing_X' and 'housing_y')
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(housing_X, housing_y, test_size=0.25, random_state=33)
# I scaled those two datasets
from sklearn.preprocessing import StandardScaler
scalerX = StandardScaler().fit(X_train)
scalery = StandardScaler().fit(y_train)
X_train = scalerX.transform(X_train)
y_train = scalery.transform(y_train)
X_test = scalerX.transform(X_test)
y_test = scalery.transform(y_test)
# I created the model
from sklearn import linear_model
clf_sgd = linear_model.SGDRegressor(loss='squared_loss', penalty=None, random_state=42)
train_and_evaluate(clf_sgd,X_train,y_train)
基于这个新模型,我试图根据第一个实例来预测X_train
。
X_new_scaled = X_train[0]
print (X_new_scaled)
y_new = clf_sgd.predict(X_new_scaled)
print (y_new)
然而,这个结果对我来说很奇怪(1.34032174
,而不是房屋价格的范围)
[-0.32076092 0.35553428 -1.00966618 -0.28784917 0.87716097 1.28834383
0.4759489 -0.83034371 -0.47659648 -0.81061061 -2.49222645 0.35062335
-0.39859013]
[ 1.34032174]
我想应该缩减这个1.34032174
值,但我正在试图找出如何做到这一点却没有成功。任何小费都欢迎。非常感谢你。
比赛有点晚了: 只是不要按比例缩放你的y。按比例缩放你的单位实际上是松散的。回归或损失优化实际上是由特征之间的相对差异决定的。顺便说一下,对于房价(或任何其他货币价值),通常采用对数。那么很明显你需要做一个numpy.exp()来回到实际的美元/欧元/日元。。。
您可以使用
inverse_transform
使用scalery
对象:相关问题 更多 >
编程相关推荐