波士顿房价预测代码jupyter

波士顿房价预测是一个经典的机器学习示例，通常用于教学目的，特别是在使用Python的数据分析库如Pandas和Scikit-learn进行回归分析时。在Jupyter Notebook中，这个例子通常是通过加载波士顿房价数据集（也称为Boston Housing Dataset），然后构建线性回归模型来预测房屋价格。

以下是基本步骤：

1. **导入所需库**：

   import pandas as pd
   from sklearn.datasets import load_boston
   import numpy as np
   import matplotlib.pyplot as plt
   from sklearn.model_selection import train_test_split
   from sklearn.linear_model import LinearRegression
   from sklearn.metrics import mean_squared_error, r2_score
   %matplotlib inline

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**：

   df.head(), df.describe()

4. **分割数据集**：

   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)

5. **创建和训练模型**：

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

6. **预测和评估**：

   predictions = model.predict(X_test)
   mse = mean_squared_error(y_test, predictions)
   r2 = r2_score(y_test, predictions)

7. **结果展示**：

   print(f"Mean Squared Error: {mse}")
   print(f"R-squared Score: {r2}")

在这个过程中，你可以使用`%matplotlib inline`使得Jupyter Notebook直接显示图表，以便直观地查看特征与房价之间的关系。