1 import numpy as np
2 import pandas as pd
3 from sklearn.linear_model import LinearRegression
4 from sklearn.preprocessing import StandardScaler
5 from sklearn.neighbors import KNeighborsClassifier
6 from sklearn.feature_extraction import DictVectorizer
7 from sklearn.tree import DecisionTreeClassifier
1 def price_predict():
2 # 数据有三个特征：距离地铁距离、附近小学数量、小区绿化率
3 X = np.array([[500.0, 3.0, 0.3], [1000.0, 1.0, 0.6], [750.0, 2.0, 0.3], [600.0, 5.0, 0.2], [1200.0, 1.0, 0.6]])
4 # 具有三个特征的房屋对应的房价
5 Y = np.array([10000, 9000, 8000, 12000, 8500])
6
7 # 标准化,按列转化，转化到数据均值为0方差为1的标准分布内
8 std_x = StandardScaler()
9 x_train = std_x.fit_transform(X)
10 std_y = StandardScaler()
11 y_train = std_y.fit_transform(Y.reshape(-1, 1))
12
13 # 构建线性预测模型
14 lr = LinearRegression()
15 # 模型在历史数据上进行训练，Y.reshape(-1,1)将Y变为二维数组，fit函数要求二维数组
16 lr.fit(x_train, y_train)
17
18 # 使用训练模型预测新房屋价格
19 x_predict = std_x.transform(np.array([[1300, 3.0, 0.4]]))
20 print(std_y.inverse_transform(lr.predict(x_predict)))
1 # K近邻分类(K表示以最近的几个邻居作为分类的指标)
2 # KNN表示了物以类聚人以群分的基本思考方法，最近的K个邻居是什么类别，预测样本就会被划为该类别
3 def knn_predict_rev():
4 # 数据理解为二维坐标上的6歌点
5 X = np.array([[1.0, 1.0], [1, 1.5], [0.5, 1.5], [3.0, 3.0], [3.0, 3.5], [2.8, 3.1]])
6 # 6个点的类别，按顺序和X依次对应
7 Y = np.array([0, 0, 0, 1, 1, 1])
8
9 # n_neighbors就是KNN中的K
10 knn = KNeighborsClassifier(n_neighbors=3)
11 knn.fit(X, Y)
12 print(knn.predict(np.array([[2.0, 3.0]])))
1 def decide_play():
2 '''
3 ID3
4 :return:
5 '''
6 df = pd.read_csv('dtree.csv')
7 # 将数据转换为字典格式，orient='record'参数指定数据格式为{column:value}的形式
8 # 一个字典对应一行数据
9 dict_train = df.loc[:, ['Outlook', 'Temperatur', 'Humidity', 'Windy']].to_dict(orient='record')
10 # 如果pandas从DataFrame取出一列数据，该数据类型会变成Series
11 dict_target = pd.DataFrame(df['PlayGolf'], columns=['PlayGolf']).to_dict(orient='record')
12
13 # 训练数据字典向量化
14 dv_train = DictVectorizer()
15 x_train = dv_train.fit_transform(dict_train)
16 # 目标数据字典向量化
17 dv_target = DictVectorizer()
18 y_target = dv_target.fit_transform(dict_target)
19
20 # 创建决策树
21 d_tree = DecisionTreeClassifier()
22 # 训练数据
23 d_tree.fit(x_train, y_target)
24 data_predict = {
25 'Humidity': 85,
26 'Outlook': 'sunny',
27 'Temperatur': 85,
28 'Windy': False
29 }
30 # 标准化要预测的数据
31 x_data = dv_train.transform(data_predict)
32 # 预测数据并转换为原格式
33 print(dv_target.inverse_transform(d_tree.predict(x_data)))
