波斯顿房价预测 sklearn

波士顿房价预测是一个经典的数据科学案例，通常用于初学者学习机器学习算法，特别是回归分析。它使用Python的scikit-learn库中的`Boston Housing`数据集，该数据集包含了1970年波士顿地区的房屋信息，包括诸如犯罪率、人口密度等特征，目标变量是每个区域的平均房价。

在sklearn中，你可以按照以下步骤进行房价预测：

1. 导入所需的库：

import numpy as np
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. 加载并预处理数据：

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

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 创建并训练模型：

model = LinearRegression()  # 或者尝试其他回归模型如RandomForestRegressor
model.fit(X_train, y_train)

4. 预测并评估模型性能：

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

print("MSE:", mse)
print("R-squared:", r2)