summaryrefslogtreecommitdiff
path: root/linear.py
diff options
context:
space:
mode:
authorschneefux <schneefux+commit@schneefux.xyz>2016-03-13 18:31:29 +0100
committerschneefux <schneefux+commit@schneefux.xyz>2016-03-13 18:31:29 +0100
commitc190cef2867b1815cfeeea93a2d60b82298da469 (patch)
tree859113538ffd50595d90369007b047320537d2cc /linear.py
parent0d6e932c643bd24be4986769de072ec2d18bcbba (diff)
downloadboston-neuralnet-c190cef2867b1815cfeeea93a2d60b82298da469.tar.gz
boston-neuralnet-c190cef2867b1815cfeeea93a2d60b82298da469.zip
rename
Diffstat (limited to 'linear.py')
-rw-r--r--linear.py31
1 files changed, 0 insertions, 31 deletions
diff --git a/linear.py b/linear.py
deleted file mode 100644
index 4f57970..0000000
--- a/linear.py
+++ /dev/null
@@ -1,31 +0,0 @@
-#!/usr/bin/python3
-from sklearn.datasets import load_boston
-from sklearn.linear_model import LinearRegression
-from sklearn.cross_validation import train_test_split
-import numpy as np
-
-# Ein gleicher Wert SEED bei der linearen Regression
-# und bei der Implementierung des kNN bewirkt,
-# dass Trainings- und Testreihe gleich sind
-# und damit das Ergebnis vergleichbar.
-SEED = 42
-np.random.seed(SEED)
-
-# Datenreihe laden und in Trainings- und Testreihe aufteilen
-data = load_boston()
-X_train, X_test, y_train, y_test = train_test_split(
- data.data, data.target, train_size=0.85)
-
-# Die lineare Regression auf die Trainingsdaten anwenden
-model = LinearRegression()
-model.fit(X_train, y_train)
-
-# Die Testdaten vorhersagen
-prediction = model.predict(X_test)
-# Das Quadrat aller Differenzen berechnen
-mse = np.mean([
- (y_test[n] - prediction[n]) ** 2
- for n in range(len(prediction))
-])
-
-print(mse)