Python 回归模型波士顿房价

波士顿房价数据集是经典的机器学习入门示例，它来自于1978年的哈佛大学统计系列中的" housing "数据集，由著名统计学家Hedibert L. Freeman提供。这个数据集包含了波士顿市区的房价信息以及与之相关的多个特征，如犯罪率、低收入家庭比例、平均房间数、学区质量等，常用于演示和实践线性回归模型。

在Python中，我们可以使用scikit-learn库来构建和分析波士顿房价的回归模型。以下是一个简单的例子：

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

# 加载波士顿房价数据
boston = load_boston()
X = boston.data
y = boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测和评估
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}")

# 可视化预测结果和真实值对比（如果有matplotlib）
import matplotlib.pyplot as plt
plt.scatter(y_test, y_pred)
plt.xlabel("True Prices")
plt.ylabel("Predicted Prices")
plt.show()

在这个例子中，我们首先加载数据，然后将数据分为训练集和测试集。接着，我们使用线性回归模型对房价进行预测，并计算了均方误差(MSE)和决定系数(R²)作为模型性能的指标。

如果你想要深入探讨，可以考虑以下几个问题：
1. 除了线性回归，还有哪些其他类型的回归模型可以用来分析波士顿房价数据？
2. 如何处理数据预处理步骤，例如缺失值和特征缩放？
3. 如何调整模型参数以优化预测效果？