利用sklearn构建线性回归模型的代码

当然，使用Python的scikit-learn库构建线性回归模型非常直观。这里有一个简单的例子，假设我们想要预测某个房屋的售价基于其面积、学区质量等因素：

# 引入需要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
import pandas as pd

# 假设你有如下的DataFrame，其中包含"house_prices"列作为目标变量，其他列为特征
df = pd.read_csv('your_data.csv')

# 数据预处理（标准化）
scaler = StandardScaler()
df_scaled = scaler.fit_transform(df.drop('house_prices', axis=1))  # 去除目标变量
df_scaled = pd.DataFrame(df_scaled, columns=df.columns[:-1])

# 划分特征和目标变量
X = df_scaled
y = df['house_prices']

# 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)

# 初始化线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 打印模型的相关信息
print(f"模型参数: {model.coef_}")
print(f"截距: {model.intercept_}")