预测波士顿房价

在这个项目中，你将利用马萨诸塞州波士顿郊区的房屋信息数据训练和测试一个模型，并对模型的性能和预测能力进行测试。通过该数据训练后的好的模型可以被用来对房屋做特定预测—尤其是对房屋的价值。对于房地产经纪等人的日常工作来说，这样的预测模型被证明非常有价值。

###########################################
# Suppress matplotlib user warnings
# Necessary for newer version of matplotlib
import warnings
warnings.filterwarnings（“ignore“ category = UserWarning module = “matplotlib“）
###########################################

import matplotlib.pyplot as pl
import numpy as np
import sklearn.learning_curve as curves
from sklearn.tree import DecisionTreeRegressor
from sklearn.cross_validation import ShuffleSplit train_test_split

def ModelLearning（X y）:
    “““ Calculates the performance of several models with varying sizes of training data.
        The learning and testing scores for each model are then plotted. “““
    
    # Create 10 cross-validation sets for training and testing
    cv = ShuffleSplit（X.shape[0] n_iter = 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 test_scores = curves.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）
        test_std = np.std（test_scores axis = 1）
        test_mean = np.mean（test_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 test_mean ‘o-‘ color = ‘g‘ label = ‘Testing Score‘）
        ax.fill_between（sizes train_mean - train_std \
            train_mean + train_std alpha = 0.15 color = ‘r‘）
        ax.fill_between（sizes test_mean - test_std \
            test_mean + test_std alpha = 0.15 color = ‘g‘）
        
        # Labels
        ax.set_title（‘max_depth = %s‘%（depth））
        ax.set_xlabel（‘Number of Training Points‘）
        ax.set_ylabel（‘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 testing errors rates are then plotted. “““
    
    # Create 10 cross-validation sets for training and testing
    cv = ShuffleSplit（X.shape[0] n_iter = 10 test_size = 0.2 random_state = 0）

    # V

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-01-08 15:11  boston_housing\
     目录           0  2018-01-07 21:16  boston_housing\.ipynb_checkpoints\
     文件      146801  2018-01-08 13:51  boston_housing\.ipynb_checkpoints\boston_housing-checkpoint.ipynb
     文件      143652  2018-01-08 15:11  boston_housing\boston_housing.ipynb
     文件       12435  2016-08-12 03:37  boston_housing\housing.csv
     文件        1768  2016-08-12 03:37  boston_housing\README.md
     文件        4882  2018-01-07 21:24  boston_housing\visuals.py
     目录           0  2018-01-07 21:24  boston_housing\__pycache__\
     文件        3672  2018-01-07 21:24  boston_housing\__pycache__\visuals.cpython-36.pyc