回归模型与房价预测

本文通过使用一元线性回归、多元线性回归及一元多项式回归三种模型,对Boston房价数据集进行预测分析。首先,从数据集中选取特征变量与房价进行一元线性回归,直观展示变量与房价的关系;随后,利用多元线性回归建立13个变量与房价的预测模型,评估模型的优劣;最后,采用一元多项式回归,深入探讨单一变量与房价的非线性关系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 导入boston房价数据集

2. 一元线性回归模型,建立一个变量与房价之间的预测模型,并图形化显示。

3. 多元线性回归模型,建立13个变量与房价之间的预测模型,并检测模型好坏,并图形化显示检查结果。

4.  一元多项式回归模型,建立一个变量与房价之间的预测模型,并图形化显示。

#1.导入boston房价数据集
from sklearn.datasets import load_boston
boston = load_boston()
boston.keys()
import pandas as pd
df = pd.DataFrame(boston.data)   #将数据data转化为数据框
#2. 一元线性回归模型,建立一个变量与房价之间的预测模型,并图形化显示。
import matplotlib.pyplot as plt

x = boston.data[:,5]
y = boston.target     #房价
plt.figure(figsize=(8,6))
plt.scatter(x,y)
plt.plot(x,9.1*x-34,'r')
plt.show()
#3. 多元线性回归模型,建立13个变量与房价之间的预测模型,并检测模型好坏,并图形化显示检查结果。
from sklearn.linear_model import LinearRegression

lineR = LinearRegression()
lineR.fit(boston.data,y)
w = lineR.coef_      #斜率
b = lineR.intercept_   #截距
print(w)
print(b)

#4.  一元多项式回归模型,建立一个变量与房价之间的预测模型,并图形化显示。
import matplotlib.pyplot as plt
x = boston.data[:,12].reshape(-1,1)
y = boston.target
plt.figure(figsize=(10,6))
plt.scatter(x,y)

from sklearn.linear_model import LinearRegression
lineR = LinearRegression()
lineR.fit(x,y)
y_pred = lineR.predict(x)
plt.plot(x,y_pred)
print(lineR.coef_,lineR.intercept_)
plt.show()

from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
x_poly = poly.fit_transform(x)

lrp = LinearRegression()
lrp.fit(x_poly,y)
y_poly_pred = lrp.predict(x_poly)
plt.scatter(x,y)
plt.scatter(x,y_pred)
plt.scatter(x,y_poly_pred)
plt.show()

  

 

转载于:https://www.cnblogs.com/1158Z/p/10122080.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值