新手村：线性回归-实战-波士顿房价预测

新手村：线性回归-实战-波士顿房价预测

前置条件

阅读：新手村：线性回归
了解相关概念

---

实验目的

• 1. 熟悉机器学习的一般流程
• 2. 掌握基础的数据处理方法
• 3. 理解线性回归算法

教学例子：预测房价（以波士顿房价数据集为例）

本次实验，你将使用真实的波士顿房价数据集建立起一个房价预测模型，并且了解到机器学习中的若干重要概念和评价方法，请通过机器学习建立回归模型，即:
Y=${\theta }_0+{\theta }_1\times X_1+{\theta }_2\times X_2+{\theta }_3\times X_3+\cdots +{\theta }_{1}3\times X_{1}3$
而需要学习的，就是${\theta }_0,{\theta }_1,{\theta }_2,\cdots {\theta }_{1}3$这14个参数

数据集

波士顿房屋数据集于1978年开始统计，涵盖了麻省波士顿不同郊区房屋14种特征的信息。本数据集共有506个样本，每个样本有13个特征及标签MEDV

特征说明

特征代码	描述
CRIM	城镇人均犯罪率
ZN	占地面积超过2.5万平方英尺的住宅用地比例
INDUS	城镇非零售业务地区的比例
CHAS	查尔斯河虚拟变量 (= 1 如果土地在河边；否则是0)
NOX	一氧化氮浓度（每1000万份）
RM	平均每居民房数
AGE	在1940年之前建成的所有者占用单位的比例
DIS	与五个波士顿就业中心的加权距离
RAD	辐射状公路的可达性指数
TAX	每10,000美元的全额物业税率
PTRATIO	城镇师生比例
B	1000(Bk - 0.63)^2 其中 Bk 是城镇的黑人比例
LSTAT	人口中地位较低人群的百分数
MEDV	以1000美元计算的自有住房的中位数

详细流程图