线性回归案例--波斯顿房价预测
时间: 2023-10-07 10:11:22 浏览: 200
好的,下面我将为您介绍一个经典的机器学习案例--波士顿房价预测,使用的是线性回归模型。
首先,我们需要导入相关的库和数据集。可以通过以下代码实现:
```python
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
boston = load_boston()
df = pd.DataFrame(boston.data, columns = boston.feature_names)
df['Price'] = boston.target
```
接下来,我们需要对数据集进行预处理和划分,以便于训练和测试模型。可以通过以下代码实现:
```python
X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values
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, random_state = 0)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
```
接着,我们可以使用线性回归模型进行训练和预测。可以通过以下代码实现:
```python
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y_train)
y_pred = regressor.predict(X_test)
```
最后,我们可以使用评估指标来评价模型的表现。可以通过以下代码实现:
```python
from sklearn.metrics import r2_score
r2_score(y_test, y_pred)
```
这里使用了平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)三个评估指标。常见的评估指标还包括均方根误差(RMSE)和平均绝对百分比误差(MAPE)等。
以上就是一个简单的线性回归案例--波斯顿房价预测的实现过程,希望对您有所帮助。
阅读全文