美容医疗 网站建设,一个网站需要哪些技术,百度手机应用市场,一般一个网站从建设到运营要多久文章目录 训练简单的线性模型#xff0c;预测电影评分和票房收入数据集加载数据可视化数据分割数据集训练模型可视化结果应用模型保存和加载模型 训练简单的线性模型#xff0c;预测电影评分和票房收入
这是一个简单的线性模型#xff0c;用于预测电影的评分和票房收入。不… 文章目录 训练简单的线性模型预测电影评分和票房收入数据集加载数据可视化数据分割数据集训练模型可视化结果应用模型保存和加载模型 训练简单的线性模型预测电影评分和票房收入
这是一个简单的线性模型用于预测电影的评分和票房收入。不过却是一个很好的入门案例可以让你了解如何来解决一个回归问题。
数据集
数据集包含了 10000 条电影的信息包括评分、票房收入。你可以在这里下载数据集。提取码1234。文件格式为 csv可以使用 pandas 来读取。
加载数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import joblib# 请填写你的数据集路径。
df pd.read_csv(/movie_rating_box_office_dataset.csv)df.head()可视化数据 xDataName Movie_Rating
yDataName Box_Office_Revenueplt.figure(figsize(10, 6))
plt.scatter(df[xDataName], df[yDataName], alpha0.5, labelData points)
plt.title(Scatter Plot of Data)
plt.xlabel(xDataName)
plt.ylabel(yDataName)
plt.legend()
plt.show() xDataName和yDataName是两个变量分别代表电影评分和票房收入。我们可以看到这两个变量之间的关系是线性的.
分割数据集
这里我们将数据集分割成训练集和测试集其中训练集占 80%测试集占 20%。 X_train, X_test, Y_train, Y_test train_test_split(df[[Movie_Rating]], df[Box_Office_Revenue], test_size0.2, random_state0)(X_train.shape, X_test.shape), (Y_train.shape, Y_test.shape)训练模型 # 初始化模型
model LinearRegression()# 训练模型
model.fit(X_train, Y_train)# 预测
Y_pred model.predict(X_test)# 计算均方误差
mse mean_squared_error(Y_test, Y_pred)coef model.coef_[0]
intercept model.intercept_# 打印结果
coef, intercept, mse输出结果为
(2.0000851616098485, 5.022264732247818, 1.016650048849064)其中coef 和 intercept 分别是线性模型的斜率和截距mse 是均方误差。
这里我们使用均方误差来评估模型的好坏均方误差越小说明模型越好。
可视化结果
plt.figure(figsize(10, 6))
plt.scatter(X_test, Y_test, alpha0.5, labelActual)
plt.scatter(X_test, Y_pred, alpha0.5, labelPredicted)
plt.plot(X_test, model.predict(X_test), colorred, linewidth2, labelFitted line)
plt.title(Actual vs Predicted)
plt.xlabel(X)
plt.ylabel(Y)
plt.legend()
plt.show()应用模型
# 假设你有一个电影评分为 7.5
new_rating np.array([[7.5]])# 使用模型进行预测
predicted_revenue model.predict(new_rating)# 输出预测的房价
print(predicted_revenue[0])保存和加载模型 # 保存模型
joblib.dump(model, linear_regression_model.pkl)# 加载模型
loaded_model joblib.load(linear_regression_model.pkl)该模型被保存在 linear_regression_model.pkl 文件中可以使用 joblib.load 来加载模型。
