根据数据集的属性价格,面积,开发商,位置使用决策树建模并预测的代码
时间: 2023-12-11 22:06:13 浏览: 24
好的,以下是一个使用决策树建模并预测的 Python 代码示例:
```python
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
# 加载数据集
dataset = pd.read_csv('dataset.csv')
# 分离特征和目标值
X = dataset.drop('价格', axis=1)
y = dataset['价格']
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建决策树回归器
dt_regressor = DecisionTreeRegressor(random_state=42)
# 训练模型
dt_regressor.fit(X_train, y_train)
# 预测测试集
y_pred = dt_regressor.predict(X_test)
# 计算模型的 R2 得分
r2_score = dt_regressor.score(X_test, y_test)
# 打印 R2 得分
print('R2 得分:', r2_score)
# 使用模型进行预测
新房源 = [[800000, 100, '开发商A', '城市A']]
价格预测 = dt_regressor.predict(新房源)
# 打印预测结果
print('价格预测:', 价格预测)
```
在这个示例中,我们使用 pandas 库加载数据集。然后,我们从数据集中分离出特征和目标值,并将数据集分为训练集和测试集。接下来,我们创建一个决策树回归器,并使用训练数据对其进行训练。然后,我们使用测试数据进行预测,并计算模型的 R2 得分。最后,我们使用模型对一个新房源进行价格预测。