Scikit-learn案例代码

以下是一个简单的 Scikit-learn 案例代码，用于使用线性回归模型预测房屋价格：

import pandas as pd
from sklearn.linear_model import LinearRegression

# 读取数据集
data = pd.read_csv("housing.csv")

# 设置 X 和 y
X = data.drop('price', axis=1)
y = data['price']

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X, y)

# 预测房价
predicted_price = model.predict([[3000, 3, 2]])

print("预测的房价为：", predicted_price)

这个代码示例加载了一个名为 housing.csv 的数据集，使用线性回归模型预测房价。在这个例子中，我们首先读取数据集，然后设置 X 和 y 变量。X 变量包含所有特征，而 y 变量包含目标变量（房价）。接下来，我们创建一个 LinearRegression 对象，使用 fit() 方法拟合模型，并使用 predict() 方法进行预测。最后，我们打印出预测的房价。

相关问题

在python中怎么使用scikit-learn库呢，能提供代码案例吗

当你使用scikit-learn库时，通常的流程是先加载数据、预处理数据，然后选择合适的模型并进行训练，最后使用该模型对新数据进行预测。下面是一个简单的线性回归模型的代码示例：

# 导入需要的库
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import pandas as pd

# 加载数据
data = pd.read_csv('data.csv')

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data[['X']], data[['y']], test_size=0.3, random_state=0)

# 创建一个线性回归模型
lr = LinearRegression()

# 训练模型
lr.fit(X_train, y_train)

# 预测测试集的结果
y_pred = lr.predict(X_test)

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)

print('均方误差为：', mse)

在这个示例中，我们首先使用pandas库加载数据，然后使用train_test_split函数将数据分为训练集和测试集。接着，我们创建一个LinearRegression对象，并使用fit方法训练模型。最后，我们使用predict方法对测试集进行预测，并使用mean_squared_error函数计算均方误差。