利用python使用线性回归器，根据特征值，预测加州房价

在Python中，我们可以利用Scikit-Learn库中的`LinearRegression`模型来进行线性回归预测，比如预测加州房价。线性回归是一种简单的预测模型，假设因变量（在这里是房价）与自变量（特征值）之间存在线性关系。以下是基本步骤：

1. **导入必要的库**：

   import pandas as pd
   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LinearRegression
   from sklearn.metrics import mean_squared_error, r2_score

2. **加载数据**，这里假设有一个CSV文件`california_housing.csv`，包含房价和相关特征：

   data = pd.read_csv('california_housing.csv')

3. **数据预处理**：
- 分割特征和目标变量（房价）：

     X = data.drop('median_house_value', axis=1)
     y = data['median_house_value']

- 划分训练集和测试集：

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

4. **创建并训练线性回归模型**：

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

5. **预测**：

     y_pred = model.predict(X_test)

6. **评估模型**：

     mse = mean_squared_error(y_test, y_pred)
     r2 = r2_score(y_test, y_pred)
     print(f"Mean Squared Error: {mse}")
     print(f"R-squared Score: {r2}")