【案例共创】从0开始使用华为云开发者空间搭建房价预测模型

原创于 2025-11-21 10:32:29 发布 · 331 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#AI #软件开发

实操专区专栏收录该内容

250 篇文章

订阅专栏

本案例由梅科尔工作室提供

1 概述

1.1 背景介绍

华为云开发者空间，是华为云为每个新生态开发者免费提供一台云主机，每位开发者每年可享有数百小时的使用时长。云主机预集成CodeArts IDE、代码仓及JDK、Python等运行时插件，解决本地开发环境中配置复杂、稳定性不足和依赖等问题，为开发者提供性能强大、安全、稳定、高效的开发环境。

通过实际操作，让大家深入了解，如何使用华为云开发者空间从0开始搭建一个房价预测模型，也可以使开发者更深入的了解开发者空间和CodeArts IDE的功能。

1.2 适用对象

个人开发者
高校学生

1.3 案例时间

本案例总时长预计30分钟。

1.4 案例流程

{{{width="30%" height="auto"}}}

说明：

① 用户登录开发者空间，进行环境配置； ② 打开CodeArts IDE进行房价预测模型搭建。

1.5 资源总览

本案例预计花费总计0元。

资源名称	规格	单价（元）	时长（分钟）
开发者空间—云主机	2vCPUs \| 4GB X86 \|Ubuntu 22.04 Server定制版	0	30

2 开发环境准备

2.1 环境配置

1. 登录华为云开发者空间:

https://developer.huaweicloud.com/space/devportal/desktop

2. 在开发者空间页面，找到我的云主机，进行环境配置。如果开发者使用Python集成环境，单击使用说明——>配置信息，打开配置信息窗口。

选择CPU架构为X86，操作系统为Ubuntu，公共镜像Ubuntu 22.04 server 定制版。

注意：如果云主机正在运行，需要先重置，等云主机关机后再进行环境配置。

点击进入桌面，进入到云主机桌面中（初次进入需要等待3-5分钟）。

进入后，云主机桌面显示如下：

2.2 创建Python工程

双击桌面的CodeArts IDE for Python，打开Python集成开发环境。

选择新建工程，然后按照下图进行环境配置：

名称：默认或者自定义均可；
位置：保持默认路径即可；
基础解释器：选择3.10.12；
勾选创建main.py示例脚本，这样项目创建后不用再单独增加.py文件了。

配置完成后点击创建。

这样，一个全新的Python工程就创建好啦！

3 房价预测模型创建

3.1 项目介绍

本项目旨在通过线性回归模型预测房屋总价。具体来说，我们将使用房屋面积作为自变量，总价作为因变量，通过线性回归模型来预测房屋总价，并评估模型的性能。

3.2 代码分析

导入必要的库

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

numpy：用于数值计算；
matplotlib.pyplot：用于数据可视化；
sklearn.linear_model.LinearRegression：用于创建线性回归模型；
sklearn.model_selection.train_test_split：用于划分训练集和测试集；
sklearn.metrics.mean_squared_error和sklearn.metrics.r2_score：用于评估模型性能。

注意：首次运行会出现报错，因为编译器里没有项目所需的一些依赖，要进行配置。

打开终端，输入对应依赖包：

以本项目为例：

pip install numpy
pip install matplotlib
pip install scikit-learn
# 安装后可查看安装结果
#在终端继续输⼊
pip list | grep numpy
#终端打印出：
numpy 2.2.2
#即为安装成功

pip list | grep matplotlib
#终端打印出：
matplotlib 3.10.0
#即为安装成功

pip list | grep scikit-learn
#终端打印出：
scikit-learn 1.6.1
#即为安装成功

生成模拟数据

np.random.seed(0) # 设置随机种⼦以保证结果可复现

# ⽣成房屋⾯积（平⽅⽶）
areas = np.random.uniform(50, 200, 100) # ⽣成100个⾯积，范围在50到200平⽅⽶之间

# ⽣成单位⾯积的价格（元/平⽅⽶）
unit_prices = np.random.uniform(10000, 30000, 100) # ⽣成100个单位⾯积价格，范围
在10000到30000元/平⽅⽶之间

# 计算总价
total_prices = areas * unit_prices

# 将数据转换为⼆维数组（scikit-learn需要⼆维输⼊）
x = areas.reshape(-1, 1) # ⾃变量：⾯积
y = total_prices # 因变量：总价

使用Np.random.uniform生成房屋面积和单位面积价格的随机数据；
计算房屋总价；
将自变量areas转换为二维数组，以满足scikit-learn的输入要求。
划分训练集和测试

X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2,random_state=42)

使用train_test_split将数据划分为训练集和测试集，测试集占总数据的20%
创建并训练线性回归模型

model = LinearRegression()
model.fit(X_train, y_train)

创建LinearRegression模型；
使用训练集数据训练模型
预测测试集

y_pred = model.predict(X_test)

评估模型

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"均⽅误差 (MSE): {mse:.2f}")
print(f"决定系数 (R^2): {r2:.2f}")

使用均方误差（MSE）和决定系数（R\^2）评估模型性能。
打印评估结果
可视化结果

#可视化结果
plt.figure(figsize=(10,6))
plt.scatter(X_test,y_test, color='blue', label='real', alpha=0.6)
plt.plot(X_test,y_pred, color='red', linewidth=2, label='reveiew')
plt.xlabel('m*m', fontsize=12)
plt.ylabel('RMB', fontsize=12)
plt.title('relationship', fontsize=14)
plt.legend(fontsize=10)
plt.grid(True)

#保存图像
plt.savefig('example_plot.png')
print("图像已保存为 example_plot.png")

# 显⽰图像
plt.show()