ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)来比较各模型性能

简介: ML之回归预测:利用13种机器学习算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)来比较各模型性能

输出结

image.png

image.png

image.png

数据的初步查验:输出回归目标值的差异

The max target value is 50.0

The min target value is 5.0

The average target value is 22.532806324110677

LiR:The value of default measurement of LiR is 0.6763403830998702

LiR:R-squared value of DecisionTreeRegressor: 0.6763403830998702

LiR:The mean squared error of DecisionTreeRegressor: 25.096985692067726

LiR:The mean absoluate error of DecisionTreeRegressor: 3.5261239963985433

kNNR_uni:The value of default measurement of kNNR_uni is 0.6903454564606561

kNNR_uni:R-squared value of DecisionTreeRegressor: 0.6903454564606561

kNNR_uni:The mean squared error of DecisionTreeRegressor: 24.01101417322835

kNNR_uni:The mean absoluate error of DecisionTreeRegressor: 2.9680314960629928

kNNR_dis:The value of default measurement of kNNR_dis is 0.7197589970156353

kNNR_dis:R-squared value of DecisionTreeRegressor: 0.7197589970156353

kNNR_dis:The mean squared error of DecisionTreeRegressor: 21.730250160926044

kNNR_dis:The mean absoluate error of DecisionTreeRegressor: 2.8050568785108005

linear_SVR:The value of default measurement of linear_SVR is 0.651717097429608

linear_SVR:R-squared value of DecisionTreeRegressor: 0.651717097429608

linear_SVR:The mean squared error of DecisionTreeRegressor: 27.0063071393243

linear_SVR:The mean absoluate error of DecisionTreeRegressor: 3.426672916872753

poly_SVR:The value of default measurement of poly_SVR is 0.40445405800289286

poly_SVR:R-squared value of DecisionTreeRegressor: 0.4044540580028929

poly_SVR:The mean squared error of DecisionTreeRegressor: 46.1794033139523

poly_SVR:The mean absoluate error of DecisionTreeRegressor: 3.75205926674149

rbf_SVR:The value of default measurement of rbf_SVR is 0.7564068912273935

rbf_SVR:R-squared value of DecisionTreeRegressor: 0.7564068912273935

rbf_SVR:The mean squared error of DecisionTreeRegressor: 18.888525000753493

rbf_SVR:The mean absoluate error of DecisionTreeRegressor: 2.6075632979823276

DTR:The value of default measurement of DTR is 0.699313885811367

DTR:R-squared value of DecisionTreeRegressor: 0.699313885811367

DTR:The mean squared error of DecisionTreeRegressor: 23.31559055118111

DTR:The mean absoluate error of DecisionTreeRegressor: 3.1716535433070865

RFR:The value of default measurement of RFR is 0.8320900865862684

RFR:R-squared value of DecisionTreeRegressor: 0.8320900865862684

RFR:The mean squared error of DecisionTreeRegressor: 13.019952055992995

RFR:The mean absoluate error of DecisionTreeRegressor: 2.3392650918635174

ETR:The value of default measurement of ETR is 0.7595247600325825

ETR:R-squared value of DecisionTreeRegressor: 0.7595247600325824

ETR:The mean squared error of DecisionTreeRegressor: 18.646761417322832

ETR:The mean absoluate error of DecisionTreeRegressor: 2.5487401574803146

SGDR:The value of default measurement of SGDR is 0.6525677025033261

SGDR:R-squared value of DecisionTreeRegressor: 0.6525677025033261

SGDR:The mean squared error of DecisionTreeRegressor: 26.940350120746693

SGDR:The mean absoluate error of DecisionTreeRegressor: 3.524049659554681

GBR:The value of default measurement of GBR is 0.8442966156976921

GBR:R-squared value of DecisionTreeRegressor: 0.8442966156976921

GBR:The mean squared error of DecisionTreeRegressor: 12.07344198657727

GBR:The mean absoluate error of DecisionTreeRegressor: 2.2692783233003326

[LightGBM] [Warning] feature_fraction is set=0.6, colsample_bytree=1.0 will be ignored. Current value: feature_fraction=0.6

[LightGBM] [Warning] min_data_in_leaf is set=18, min_child_samples=20 will be ignored. Current value: min_data_in_leaf=18

[LightGBM] [Warning] min_sum_hessian_in_leaf is set=0.001, min_child_weight=0.001 will be ignored. Current value: min_sum_hessian_in_leaf=0.001

[LightGBM] [Warning] bagging_fraction is set=0.7, subsample=1.0 will be ignored. Current value: bagging_fraction=0.7

LGBR:The value of default measurement of LGBR is 0.824979251097139

LGBR:R-squared value of DecisionTreeRegressor: 0.824979251097139

LGBR:The mean squared error of DecisionTreeRegressor: 13.5713354452417

LGBR:The mean absoluate error of DecisionTreeRegressor: 2.3653297699911455

[0.6763403830998702, 0.6903454564606561, 0.7197589970156353, 0.651717097429608, 0.40445405800289286, 0.7564068912273935, 0.699313885811367, 0.8320900865862684, 0.7595247600325825, 0.6525677025033261, 0.8442966156976921, 0.824979251097139]

{'learning_rate': 0.09, 'max_depth': 4, 'n_estimators': 200}

rmse: 0.37116076328428194

XGBR_grid:The value of default measurement of XGBR_grid is -0.1355992935386311

XGBR_grid:R-squared value of DecisionTreeRegressor: 0.8494067182200448

XGBR_grid:The mean squared error of DecisionTreeRegressor: 11.67719810423491

XGBR_grid:The mean absoluate error of DecisionTreeRegressor: 2.156086404304805


 

设计思

image.png

image.png

 


目录
打赏
0
0
0
0
1045
分享
相关文章
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
346 6
利用SVM(支持向量机)分类算法对鸢尾花数据集进行分类
本文介绍了如何使用支持向量机(SVM)算法对鸢尾花数据集进行分类。作者通过Python的sklearn库加载数据,并利用pandas、matplotlib等工具进行数据分析和可视化。
382 70
基于GA遗传算法的悬索桥静载试验车辆最优布载matlab仿真
本程序基于遗传算法(GA)实现悬索桥静载试验车辆最优布载的MATLAB仿真(2022A版)。目标是自动化确定车辆位置,使加载效率ηq满足0.95≤ηq≤1.05且尽量接近1,同时减少车辆数量与布载时间。核心原理通过优化模型平衡最小车辆使用与ηq接近1的目标,并考虑桥梁载荷、车辆间距等约束条件。测试结果展示布载方案的有效性,适用于悬索桥承载能力评估及性能检测场景。
基于双向RRT算法的三维空间最优路线规划matlab仿真
本程序基于双向RRT算法实现三维空间最优路径规划,适用于机器人在复杂环境中的路径寻找问题。通过MATLAB 2022A测试运行,结果展示完整且无水印。算法从起点和终点同时构建两棵随机树,利用随机采样、最近节点查找、扩展等步骤,使两棵树相遇以形成路径,显著提高搜索效率。相比单向RRT,双向RRT在高维或障碍物密集场景中表现更优,为机器人技术提供了有效解决方案。
基于和声搜索优化算法的机器工作调度matlab仿真,输出甘特图
本程序基于和声搜索优化算法(Harmony Search, HS),实现机器工作调度的MATLAB仿真,输出甘特图展示调度结果。算法通过模拟音乐家即兴演奏寻找最佳和声的过程,优化任务在不同机器上的执行顺序,以最小化完成时间和最大化资源利用率为目标。程序适用于MATLAB 2022A版本,运行后无水印。核心参数包括和声记忆大小(HMS)等,适应度函数用于建模优化目标。附带完整代码与运行结果展示。
基于GA遗传优化的最优阈值计算认知异构网络(CHN)能量检测算法matlab仿真
本内容介绍了一种基于GA遗传优化的阈值计算方法在认知异构网络(CHN)中的应用。通过Matlab2022a实现算法,完整代码含中文注释与操作视频。能量检测算法用于感知主用户信号,其性能依赖检测阈值。传统固定阈值方法易受噪声影响,而GA算法通过模拟生物进化,在复杂环境中自动优化阈值,提高频谱感知准确性,增强CHN的通信效率与资源利用率。预览效果无水印,核心程序部分展示,适合研究频谱感知与优化算法的学者参考。
基于AES的遥感图像加密算法matlab仿真
本程序基于MATLAB 2022a实现,采用AES算法对遥感图像进行加密与解密。主要步骤包括:将彩色图像灰度化并重置大小为256×256像素,通过AES的字节替换、行移位、列混合及轮密钥加等操作完成加密,随后进行解密并验证图像质量(如PSNR值)。实验结果展示了原图、加密图和解密图,分析了图像直方图、相关性及熵的变化,确保加密安全性与解密后图像质量。该方法适用于保护遥感图像中的敏感信息,在军事、环境监测等领域具有重要应用价值。
基于免疫算法的最优物流仓储点选址方案MATLAB仿真
本程序基于免疫算法实现物流仓储点选址优化,并通过MATLAB 2022A仿真展示结果。核心代码包括收敛曲线绘制、最优派送路线规划及可视化。算法模拟生物免疫系统,通过多样性生成、亲和力评价、选择、克隆、变异和抑制机制,高效搜索最优解。解决了物流仓储点选址这一复杂多目标优化问题,显著提升物流效率与服务质量。附完整无水印运行结果图示。
基于免疫算法的最优物流仓储点选址方案MATLAB仿真
基于GA遗传优化TCN-GRU时间卷积神经网络时间序列预测算法matlab仿真
本项目基于MATLAB2022a开发,提供无水印算法运行效果预览及核心程序(含详细中文注释与操作视频)。通过结合时间卷积神经网络(TCN)和遗传算法(GA),实现复杂非线性时间序列的高精度预测。TCN利用因果卷积层与残差连接提取时间特征,GA优化超参数(如卷积核大小、层数等),显著提升模型性能。项目涵盖理论概述、程序代码及完整实现流程,适用于金融、气象、工业等领域的时间序列预测任务。
基于遗传优化算法的多AGV栅格地图路径规划matlab仿真
本程序基于遗传优化算法实现多AGV栅格地图路径规划的MATLAB仿真(测试版本:MATLAB2022A)。支持单个及多个AGV路径规划,输出路径结果与收敛曲线。核心程序代码完整,无水印。算法适用于现代工业与物流场景,通过模拟自然进化机制(选择、交叉、变异)解决复杂环境下的路径优化问题,有效提升效率并避免碰撞。适合学习研究多AGV系统路径规划技术。
124 12

热门文章

最新文章