波士顿房价数据集探究自变量与因变量相关性

波士顿房价数据集是一个经典的机器学习和统计分析数据集，源自1978年的哈佛大学住房研究项目。它包含13个特征（自变量）和一个目标变量（因变量），用于预测马萨诸塞州波士顿地区的房屋价格。这些自变量包括人口密度、犯罪率、低收入家庭比例、平均房间数、学区质量、距市中心的距离等，反映了影响房价的多个因素。

探究自变量与因变量的相关性是数据分析的第一步，这有助于我们理解各个特征对房价的影响程度以及它们之间的相互作用。通过计算每个自变量与房价的皮尔逊相关系数或斯皮尔曼等级相关系数，我们可以得到一个直观的关系强度指标，正值表示正相关，负值表示负相关，绝对值越大表示相关性越强。

此外，可视化方法也很重要，如散点图可以展示每个自变量与房价的直观关系，热力图则可以显示多个自变量之间的关联。通过相关性分析，我们能够发现可能对房价预测最有影响力的特征，然后在建立回归模型时优先考虑这些特征。