预测波士顿房价如何可视化输出

预测波士顿房价的结果通常需要可视化以便更好地理解模型性能和预测结果。以下是一个基本步骤，使用Python的Scikit-Learn库（假设已经训练好了一个回归模型，如线性回归、决策树或随机森林等）:

1. 导入所需的库和数据：

import pandas as pd
import numpy as np
from sklearn.datasets import load_boston
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression  # 示例用线性回归模型

boston = load_boston()
X, y = boston.data, boston.target

2. 训练模型并作出预测：

model = LinearRegression()  # 或其他模型
model.fit(X, y)
y_pred = model.predict(X)

3. 可视化结果：

# 将实际值和预测值制作成DataFrame便于处理
df_results = pd.DataFrame({'Actual': y, 'Predicted': y_pred})

# 绘制散点图比较实际值和预测值
sns.scatterplot(x='Actual', y='Predicted', data=df_results)
plt.xlabel('Actual Prices')
plt.ylabel('Predicted Prices')
plt.title('Boston Housing Prices Predictions')
plt.show()

# 可视化残差分布（误差）
residuals = y - y_pred
sns.distplot(residuals, kde=False, rug=True)
plt.title('Residuals Distribution')
plt.show()

在这个例子中，散点图展示了实际价格和预测价格的关系，而残差分布图则可以评估模型的拟合好坏以及是否存在系统性的偏差。你可以根据需要调整图形的颜色、标签和标题等元素，以适应你的具体需求和分析目的。