通用范例 General Examples - Ex 1: Plotting Cross-Validated Predictions

通用范例/范例一: Plotting Cross-Validated Predictions

http://scikit-learn.org/stable/auto_examples/plot_cv_predict.html

1. 资料集：波士顿房产
2. 特征：房地产客观数据，如年份、平面大小
3. 预测目标：房地产价格
4. 机器学习方法：线性迴归
5. 探讨重点：10 等分的交叉验証(10-fold Cross-Validation)来实际测试资料以及预测值的关係
6. 关键函式： sklearn.cross_validation.cross_val_predict

(一)引入函式库及内建测试资料库

引入之函式库如下

1. matplotlib.pyplot: 用来绘制影像
2. sklearn.datasets: 用来绘入内建测试资料库
3. sklearn.cross_validation import cross_val_predict：利用交叉验证的方式来预测
4. sklearn.linear_model：使用线性迴归

(二)引入内建测试资料库(boston房产资料)

使用 datasets.load_boston() 将资料存入， boston 为一个dict型别资料，我们看一下资料的内容。

lr = linear_model.LinearRegression()
#lr = LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
boston = datasets.load_boston()
y = boston.target

(三)cross_val_predict的使用

sklearn.cross_validation.cross_val_predict(estimator, X, y=None, cv=None, n_jobs=1, verbose=0, fit_params=None, pre_dispatch=’2*n_jobs’)

X为机器学习数据，
y为回归目标，
cv为交叉验証时资料切分的依据，范例为10则将资料切分为10等分，以其中9等分为训练集，另外一等分则为测试集。

predicted = cross_val_predict(lr, boston.data, y, cv=10)

(四)绘出预测结果与实际目标差异图

X轴为回归目标，Y轴为预测结果。

并划出一条斜率=1的理想曲线(用虚线标示)

fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()

(五)完整程式码

Python source code: plot_cv_predict.py

http://scikit-learn.org/stable/auto_examples/plot_cv_predict.html

from sklearn import datasets
from sklearn.cross_validation import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt
lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target
# cross_val_predict returns an array of the same size as `y` where each entry
# is a prediction obtained by cross validated:
predicted = cross_val_predict(lr, boston.data, y, cv=10)
fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()