波士顿房价预测 ipynb

波士顿房价预测是一个经典的数据科学项目，通常用于机器学习入门教学。它源自于1978年的“Housing”数据集，这个数据集包含了波士顿地区的房屋信息，如犯罪率、人口密度、平均住宅年龄等因素，目标是预测每个房屋的中位数价值。使用Python的库，比如`pandas`处理数据，`numpy`进行数值计算，`matplotlib`和`seaborn`可视化，以及`sklearn`中的线性回归模型（如LinearRegression）来进行预测。

在Jupyter Notebook (`ipynb`文件格式）中，你可以按照以下步骤操作：

1. 导入必要的库和数据：

import pandas as pd
import numpy as np
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import seaborn as sns
import matplotlib.pyplot as plt

2. 加载并预处理数据：

boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target

3. 数据探索和可视化：

sns.pairplot(df[['PRICE', *feature_names]])

4. 划分训练集和测试集，并建立模型：

X_train, X_test, y_train, y_test = train_test_split(df.drop('PRICE', axis=1), df['PRICE'], test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)

5. 预测并评估模型性能：

y_pred = model.predict(X_test)

6. 可视化结果和分析：

最后，你会展示模型的预测效果，通过比较预测值和实际值来评估模型的准确性和稳定性。