基于线性回归的房价预测分析

最新推荐文章于 2024-11-24 20:19:02 发布

Tanyc3

最新推荐文章于 2024-11-24 20:19:02 发布

阅读量6.9k

点赞数 4

文章标签： python 线性回归 sklearn

本文链接：https://blog.youkuaiyun.com/Tanfunction_/article/details/121539985

版权

本文分析了波士顿房价数据集，采用sklearn库的线性回归和岭回归模型进行预测。通过对数据的探索，构建简单线性回归和岭回归模型，分析模型效果并调参，最终确定岭回归模型在alpha=0.4时具有较好表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、分析问题

尝试使用线性回归模型分析波士顿房价数据集，达到可通过房子属性（X）预测房价（y）的效果。

二、获取数据

sklearn.datasets中自带的load_boston数据集。

三、数据探索

1、数据探索

#导入所有可能需要用到的python包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#导入数据
from sklearn.datasets import load_boston
d=load_boston()
d#查看数据集

得出load_boston是一个字典，包含“data”、“target”、“feature_names”、“DESCR”四个key。

其中data表示房屋特征，target表示房价，各特征解释如下：

CRIM ------【城镇人均犯罪率】
ZN -------【住宅用地所占比例】
INDUS ------【城镇中非商业用地占比例】
CHAS ------【查尔斯河虚拟变量，如果是河道，则为1;否则为0 ）】
NOX ------【环保指标】
RM -------【每栋住宅房间数】
AGE------【1940年以前建造的自住单位比例】
DIS ------【与波士顿的五个就业中心加权距离】
RAD ------【距离高速公路的便利指数】
TAX ------【每一万美元的不动产税率】
PTRATIO ------【城镇中教师学生比例】
B ------【城镇中黑人比例】
LSTAT ------【房东属于低等收入阶层比例】
MEDV

最低0.47元/天解锁文章