线性回归房价预测代码

好的，以下是一个简单的基于Python的线性回归房价预测代码：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_csv('house_prices.csv')

# 定义特征和标签
X = data[['OverallQual', 'GrLivArea', 'GarageCars', 'TotalBsmtSF', 'FullBath', 'YearBuilt']]
y = data['SalePrice']

# 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)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测结果
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
print("测试集MSE:", mse)
print("测试集RMSE:", rmse)

在这个代码中，我们首先使用Pandas读取了一个名为“house_prices.csv”的数据集。然后，我们选择一些特征作为输入，其中包括房屋的总体质量、居住面积、车库大小、地下室面积、全浴室数量和建造年份。我们使用这些特征来预测房价。

接下来，我们将数据集划分为训练集和测试集。使用训练数据集，我们训练了一个线性回归模型，并使用测试数据集对其进行评估。最后，我们计算了测试集的均方误差(MSE)和均方根误差(RMSE)。

请注意，这只是一个简单的示例代码，您可以根据您的需求对其进行修改和调整。