波士顿房价预测——线性回归模型

1. 案例背景介绍

数据介绍

该数据是UCI ML房价数据集的副本，以下特征是专家得出的影响房价的结果属性，所以可以直接使用，但很多时候需要我们自己去量化特征找出需要的属性。

2. 处理流程

1. 基本数据处理
   数据很规整，没有需要特别处理的，我们确定特征属性是前13项，最后一项为目标值，所以在基本数据处理这一块只要做数据分割即可。
2. 特征工程
   对数据进行标准化处理。
3. 机器学习
   使用线性回归模型进行预测。
4. 模型评估
   使用均方误差MSE

3. 代码实现

由于波士顿房价的数据设计种族问题，最新的版本的sklearn已经删除该数据，以下代码能够恢复波士顿房价数据。

import pandas as pd
import numpy as np

#获取波士顿房价数据
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
# 给数据添加标签，其中house_df为特征数据，house_target为目标数据
house_df = pd.DataFrame(data)
house_targe = pd.DataFrame(target)
house_df