使用sklearn实现并评估一个回归模型

在Python的Scikit-learn库中，实现和评估一个回归模型通常包括以下几个步骤：

1. **数据预处理**：加载数据集，检查缺失值、异常值，并对数值特征进行标准化或归一化。

from sklearn.datasets import load_boston
import pandas as pd

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

2. **模型选择**：根据问题选择合适的回归模型，比如线性回归（LinearRegression）、决策树回归（DecisionTreeRegressor）或支持向量回归（SVR）。这里以线性回归为例。

from sklearn.linear_model import LinearRegression
model = LinearRegression()

3. **训练模型**：将数据分为训练集和测试集，然后用训练集的数据拟合模型。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model.fit(X_train, y_train)

4. **预测**：使用模型对测试集进行预测。

y_pred = model.predict(X_test)

5. **评估**：通过比较实际值（y_test）和预测值（y_pred），使用各种指标如均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）或R²分数来评价模型性能。

from sklearn.metrics import mean_squared_error, r2_score
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print("MSE:", mse)
print("RMSE:", rmse)
print("R² Score:", r2)