用python实现线性回归预测波士顿房价

在Python中，我们可以使用sklearn库中的`LinearRegression`模型来实现线性回归预测波士顿房价。波士顿房价数据集是一个经典的数据科学示例，它包含了1970年波士顿地区的房屋信息，如犯罪率、人口密度等特征，目标变量是房屋的中位价格。

以下是简单的步骤：

1. 导入所需库：

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

2. 加载波士顿房价数据集并预处理：

boston = load_boston()
df = pd.DataFrame(boston.data, columns=boston.feature_names)
df['PRICE'] = boston.target  # 将目标变量设为'PRICE'

3. 划分训练集和测试集：

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)

4. 创建并训练线性回归模型：

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

5. 预测并评估结果：

y_pred = model.predict(X_test)
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}")