原標題：分別用sklearn和tensorflow做房價預測

本篇是后面用tensorflow做回歸時的一個參照，忍不住要說的是sklearn真是簡單好用，要不是他沒有卷積cnn等時髦模型，真是不想用其他家的了。

經典的sklearn集成模型

結果：

真是又快又準啊！由于該數據的已經是被打亂了，非原順序，所以看起來是這樣

另外參數優選的代碼被注釋掉了，感興趣的可以自己調參。

卷積神經網路CNN

既然sklearn已經足夠簡單高效，為啥要用卷積神經網絡(cnn)呢，江湖傳言它有兩個大優勢：

1、sklearn需要人工進行特征優選，cnn會進行自動優選特征

2、隨著訓練數據的增多，sklearn的準確性就沒啥大變化了，cnn則是越來越準，沒有瓶頸。說實在的就boston房價這個數據也就506行，13個特征(列)，對cnn來說實在太少了，沒個10萬行數據，都看不出它的優勢；

另外cnn雖然不用人工特征優選，但是搭建它的拓撲結構實在是個難搞的事，最讓人炸裂的是tensorflow的結構，真是讓人費解，關于它的結構網上很多介紹，我就不說了，但是用cnn做回歸計算的文章非常罕見，請點贊！上代碼

#參考http://blog.csdn.net/jerry81333/article/details/52979206 周莫煩的系列視頻教程，跪地推薦

結果是這樣的：

上文中只訓練了200次，其實正常來說都是1000次起的，無奈手里只有小mac mini，顯卡是N卡的同學可以用tensorflow的gpu版跑跑試試。

RNN之遞歸神經網路LSTM

在tensorflow里RNN才是做回歸計算的正規軍，其中LSTM更是讓人工智能有了記憶，如果cnn最適合做的是圖像識別，那么LSTM就是視頻識別。網上的教程多是用正余弦數據在做預測，輸入輸出都是一維，我這用波士頓房價，輸入是13個特征！

注意與前面兩個模型不同的是，沒有用train_test_split把訓練數據分割，而是用的時序數據。

lstm輸入和輸出都是時序數據，是尊重時間的，和上兩篇用的交叉數據集是不一樣的，所以結果是這樣的：

via:http://blog.csdn.net/baixiaozhe/article/details/54410313返回搜狐，查看更多

責任編輯：