Abalone Data Set（鲍鱼数据集）

练习目的：预测鲍鱼的年龄

原始数据集包括六个属性：Gender，Length，Diameter，Height，Weight，Rings：

1. Gender ：M (male), F (female), I (infant)
2. Length：最长外壳尺寸（毫米）
3. Diameter：垂直于长度的直径（毫米）
4. Height：带壳肉的高度（毫米）
5. Weight：整只鲍鱼的重量（克）
6. Rings：确定鲍鱼的实际年龄，有点像估计一棵树的年龄。 随着鲍鱼的生长，在鲍鱼壳中形成环，通常以每年一环的速度形成。

下载地址1

下载地址2

参考代码：来自 https://blog.csdn.net/weixin_38748717/article/details/78787853

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

#机器学习的普通线性模型、岭回归模型、lasso模型
from sklearn.linear_model import LinearRegression,Ridge,Lasso

#导入机器学习相关的数据集
import sklearn.datasets as datasets

2.获取训练数据

abalone=pd.read_csv('../day09/data/abalone.txt',sep='\t',header=None)

数据为自己本地数据，格式如下：

#前7列为特征
train = abalone.loc[:,0:7]
#第8列为标签
target = abalone[8]
#训练数据
X_train = train[:4000]
Y_train = target[:4000]
#测试数据
x_test = train[4000:]
y_true = target[4000:]

3.确定学习模型

• 普通线性回归

line=LinearRegression()

• 岭回归模型

ridge = Ridge(alpha=0.5)

• lasso回归模型

lasso = Lasso(alpha=0.003)

4.使用训练数据对学习模型进行训练

• 训练普通线性回归模型

line.fit(X_train,Y_train)

• 训练岭回归模型

ridge.fit(X_train,Y_train)

• 训练lasso回归模型

lasso.fit(X_train,Y_train)

5.使用测试数据，获取预测结果

• 使用普通线性回归模型预测结果

y_pre_line = line.predict(x_test)

• 使用岭回归模型预测结果

y_pre_ridge = line.predict(x_test)

• 使用lasso回归模型预测结果

y_pre_lasso = line.predict(x_test)

6.绘图

• 普通线性回归

plt.plot(np.arange(y_pre_line.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)

• 岭回归

plt.plot(np.arange(y_pre_ridge.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)

• lasso回归

plt.plot(np.arange(y_pre_lasso.size),y_pre)
plt.plot(np.arange(y_true.size),y_true)