sklearn中的波士顿房价数据集如何找

你可以使用以下代码来加载sklearn中的波士顿房价数据集：

from sklearn.datasets import load_boston
boston = load_boston()

这将会返回一个字典对象，其中包含了数据集的各种信息，例如特征矩阵、目标向量、特征名称和描述等。你可以通过以下代码来查看数据集的描述信息：

print(boston.DESCR)

此外，你也可以使用以下代码来查看数据集的特征矩阵和目标向量：

print(boston.data)
print(boston.target)

注意：sklearn中的波士顿房价数据集是一个经典的回归数据集，其目标是预测波士顿地区房屋的中位数价格（单位：千美元）。数据集中包含了506个样本和13个特征，其中包括城镇犯罪率、一氧化氮浓度、住宅平均房间数等。

相关问题

sklearn导入波士顿房价数据集

sklearn中自带了波士顿房价数据集，可以通过以下代码导入：

from sklearn.datasets import load_boston

boston = load_boston()

X = boston.data # 特征矩阵
y = boston.target # 目标向量

其中，X是一个13维的特征矩阵，y是一个样本数量为506的目标向量。可以通过以下代码查看数据集的描述：

print(boston.DESCR)

输出结果如下：

.. _boston_dataset:

Boston house prices dataset
---------------------------

**Data Set Characteristics:**  

    :Number of Instances: 506 

    :Number of Attributes: 13 numeric/categorical predictive. Median Value (attribute 14) is usually the target.

    :Attribute Information (in order):
        - CRIM     per capita crime rate by town
        - ZN       proportion of residential land zoned for lots over 25,000 sq.ft.
        - INDUS    proportion of non-retail business acres per town
        - CHAS     Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
        - NOX      nitric oxides concentration (parts per 10 million)
        - RM       average number of rooms per dwelling
        - AGE      proportion of owner-occupied units built prior to 1940
        - DIS      weighted distances to five Boston employment centres
        - RAD      index of accessibility to radial highways
        - TAX      full-value property-tax rate per $10,000
        - PTRATIO  pupil-teacher ratio by town
        - B        1000(Bk - 0.63)^2 where Bk is the proportion of blacks by town
        - LSTAT    % lower status of the population
        - MEDV     Median value of owner-occupied homes in $1000's

    :Missing Attribute Values: None

    :Creator: Harrison, D. and Rubinfeld, D.L.

This is a copy of UCI ML housing dataset.
https://archive.ics.uci.edu/ml/machine-learning-databases/housing/


This dataset was taken from the StatLib library which is maintained at Carnegie Mellon University.

The Boston house-price data of Harrison, D. and Rubinfeld, D.L. 'Hedonic prices and the demand for clean air', J. Environ. Economics & Management, vol.5, 81-102, 1978.   Used in Belsley, Kuh & Welsch, 'Regression diagnostics ...', Wiley, 1980.   N.B. Various transformations are used in the table on pages 244-261 of the latter.

The Boston house-price data has been used in many machine learning papers that address regression problems.
     
**References**
- Belsley, Kuh & Welsch, 'Regression diagnostics: Identifying Influential Data and Sources of Collinearity', Wiley, 1980. 244-261.
- Quinlan,R. (1993). Combining Instance-Based and Model-Based Learning. In Proceedings on the Tenth International Conference of Machine Learning, 236-243, University of Massachusetts, Amherst. Morgan Kaufmann.

如何使用sklearn中波士顿房价预测数据集

1. 导入数据集

首先，需要从sklearn.datasets中导入波士顿房价预测数据集。

from sklearn.datasets import load_boston
boston = load_boston()

2. 数据探索

接下来，可以使用以下代码对数据集进行探索：

# 查看数据集的描述性统计
print(boston.DESCR)

# 查看特征变量
print(boston.feature_names)

# 查看数据集的数据
print(boston.data)

# 查看目标变量
print(boston.target)

3. 数据预处理

在对数据进行建模之前，需要对数据进行预处理。可以使用以下代码进行标准化处理：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X = scaler.fit_transform(boston.data)
y = boston.target

4. 构建模型

接下来，可以使用以下代码构建一个线性回归模型：

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X, y)

5. 模型测试

最后，可以使用以下代码对模型进行测试：

# 预测房价
y_pred = model.predict(X)

# 计算模型的R平方值
from sklearn.metrics import r2_score
print(r2_score(y, y_pred))

其中，R平方值用于衡量模型的拟合程度，值越接近1表示模型的拟合程度越好。