机器学习波士顿房价预测python

波士顿房价预测是一个经典的机器学习问题，通常用于入门级的数据分析和建模教程。Python是一种流行的机器学习语言，有许多库如Scikit-Learn可以完成这个任务。以下是简单步骤：

1. **导入所需库**：首先需要导入`pandas`处理数据，`numpy`进行数值计算，以及`sklearn`里的`datasets`获取波士顿房价数据集。

import pandas as pd
import numpy as np
from sklearn import datasets

2. **加载数据**：使用`load_boston()`函数从scikit-learn加载波士顿房价数据集。

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

3. **数据预处理**：对数据进行探索性数据分析（EDA），可能包括缺失值检查、异常值处理、特征缩放等。

4. **拆分数据**：将数据分为训练集和测试集，例如80%训练，20%测试。

from sklearn.model_selection import train_test_split
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. **选择模型**：这里可以选择线性回归模型作为基础模型来进行房价预测，如`LinearRegression`。

from sklearn.linear_model import LinearRegression
model = LinearRegression()

6. **训练模型**：使用训练数据拟合模型。

model.fit(X_train, y_train)

7. **评估模型**：在测试集上预测并计算性能指标，如均方误差（MSE）或R²分数。

y_pred = model.predict(X_test)
from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"MSE: {mse}, R²: {r2}")

8. **优化调整**：根据性能调整模型参数，或者尝试其他算法（如随机森林、梯度提升机等）以获得更好的结果。