二手房系统预测线性回归

### 使用线性回归模型进行二手房价格预测

#### 数据准备
为了构建有效的线性回归模型，首先需要收集并预处理数据。这些数据通常包括但不限于房屋面积、房间数量、地理位置、建造年代等因素[^2]。

#### 特征工程
特征的选择对于模型性能至关重要。考虑到不同属性之间可能存在量纲差异较大情况（如房价与年份），应当采取适当措施减小这种差异带来的负面影响。常用做法是对数值型字段实施标准化或归一化操作，例如采用Z-Score变换使各特征具有零均值单位方差特性，或是通过线性缩放至特定区间内[^3]。

#### 构建模型
定义好输入X(即各个影响因子构成向量)以及目标Y(待估测的价格)，可以调用Python中的`sklearn.linear_model.LinearRegression()`函数创建简单/多元线性回归实例对象，并利用训练集完成参数估计过程：

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression

# 假设df是一个pandas DataFrame,其中包含了所有的样本及其标签
scaler = StandardScaler()
features = ['area', 'bedrooms', 'bathrooms', 'year_built']  # 可能的特征列表
X = df[features].values
y = df['price'].values.reshape(-1, 1)

# 对特征和目标变量都做标准化处理
X_scaled = scaler.fit_transform(X)
y_scaled = scaler.fit_transform(y)

# 划分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y_scaled, test_size=0.2, random_state=42)

model = LinearRegression().fit(X_train, y_train)

#### 模型评估
使用未见过的新数据来检验已建立好的模型效果如何非常重要。这可以通过计算决定系数R²得分等方式来进行定量描述:

score = model.score(X_test, y_test)
print(f'The R-squared score of the model is {score:.4f}')