波士顿房价预测全代码机器学习

波士顿房价预测是一个经典的机器学习问题，通常使用线性回归或决策树等算法来解决。这里我将简要概述一个使用Python和scikit-learn库进行波士顿房价预测的全代码示例。这个例子中，我们会用到 Boston Housing 数据集，这是一个公开的数据集，包含了波士顿地区的房屋价格和其他相关特征。

# 导入所需库
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 加载波士顿房价数据
boston = load_boston()
X = boston.data
y = boston.target

# 数据预处理（归一化/标准化）
# 这里假设我们使用归一化处理
X = (X - X.mean(axis=0)) / X.std(axis=0)

# 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)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print("Mean Squared Error:", mse)
print("R-squared:", r2)

# 可视化结果
import matplotlib.pyplot as plt
plt.scatter(y_test, y_pred)
plt.xlabel('True Values')
plt.ylabel('Predicted Values')
plt.show()