该博客探讨了二手汽车评估中不同分类模型的效果，包括逻辑回归、随机森林、KNN、SVM和GBDT。结果显示，GBDT和随机森林在分类效果上表现优秀，但考虑到时间成本，作者推荐使用随机森林。数据集包含1728条观测和7个特征，通过编码处理后进行建模。随机森林模型在测试集上的准确率达到了98.55%。
二手汽车评估
数据集取自uci，对处理好的数据集分别进行逻辑回归、随机森林、knn、svm、GBDT分类建模，寻找较优的分类模型。
数据集特征描述：
| buying | 买入价格（vhigh，high，med，low） |
|---|---|
| maint | 维护的价格（vhigh，high，med，low） |
| doors | 门数（2,3,4,5更多） |
| persons | 可乘人数（2,4，更多） |
| lug_boot | 行李箱大小（small, med, big） |
| safety | 安全性（ low, med, high） |
| assessment（目标变量） | 可接受性（unacc, acc, good, vgood） |
导入相关库：
从存储数据集的excel文件将数据集读入、输出数据集前五行。
数据集总共1728条观测、7个特征变量，没有缺失值、没有重复观测：
扫一扫
到【灌水乐园】发言
