python机器学习经典修正python3.x版

import sys
import csv
from sklearn.ensemble import RandomForestRegressor
import numpy as np
from sklearn.utils import shuffle
from sklearn.metrics import mean_squared_error explained_variance_score
import matplotlib.pyplot as plt

def plot_feature_importances（feature_importancestitlefeature_names）:
    #重要性值标准化
    feature_importances=100.0*（feature_importances/max（feature_importances））
    #得分从高到低排序
    index_sorted=np.flipud（np.argsort（feature_importances））
    #让X坐标轴上的标签居中显示
    pos=np.arange（index_sorted.shape[0]）+0.5

    #画图
    plt.figure（）
    plt.bar（posfeature_importances[index_sorted]align=‘center‘）
    plt.xticks（posfeature_names[index_sorted]）
    plt.ylabel（‘Relative Importance‘）
    plt.title（title）
    plt.show（）


def load_dataset（filename）:
    file_reader=csv.reader（open（filename‘r‘）delimiter=‘‘）
    xy=[][]
    for row in file_reader:
        x.append（row[2:13]）
        y.append（row[-1]）

    #提取特征名称
    feature_names=np.array（x[0]）
    #将第一行特征名称移除，仅保留数值
    return np.array（x[1:]）.astype（np.float32）np.array（y[1:]）.astype（np.float32）feature_names


#读取数据，打乱顺序
xyfeature_names=load_dataset（‘bike_day.csv‘）
xy=shuffle（xyrandom_state=7）

num_training=int（0.9*len（x））

x_trainy_train=x[:num_training]y[:num_training]
x_testy_test=x[num_training:]y[num_training:]

#决策树回归模型进行拟合
rf_regressor=RandomForestRegressor（n_estimators=1000max_depth=10min_samples_split=0.001）
rf_regressor.fit（x_trainy_train）


#评价随机森林回归器效果展示
y_pred=rf_regressor.predict（x_test）
mse=mean_squared_error（y_testy_pred）
evs=explained_variance_score（y_testy_pred）
print（‘\n### Random Forest regressor performance ###‘）
print（‘Mean squared error =‘round（mse2））
print（‘Explained variance score=‘round（evs2））

#画图
plot_feature_importances（rf_regressor.feature_importances_‘Random Forest regressor‘feature_names）