#!/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)