给我一个机器学习的案例，附带代码

以下是一个简单的机器学习案例，使用 Python 编程语言和 Scikit-learn 库实现。

任务：基于房屋面积和房价历史数据，训练一个线性回归模型，预测新房屋的价格。

代码：

import pandas as pd
from sklearn.linear_model import LinearRegression

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

# 提取特征和标签
X = data['area'].values.reshape(-1, 1)
y = data['price'].values.reshape(-1, 1)

# 训练模型
reg = LinearRegression().fit(X, y)

# 预测新数据
new_data = [[70], [80], [90]] # 新房屋的面积
predicted_prices = reg.predict(new_data)

print(predicted_prices)

数据集 house_price.csv 包含两列数据：房屋面积和房价。首先读取数据集并提取特征和标签，然后使用 LinearRegression 类训练模型。最后，我们使用训练好的模型预测新房屋的价格。

请注意，这只是一个简单的示例，并不代表实际的机器学习应用程序。在实际应用中，需要更多的数据预处理、特征工程和模型调整等步骤。

相关问题

给我写一个机器学习分类问题的案例代码

好的，以下是一个机器学习分类问题的案例代码，它使用了支持向量机（SVM）算法对鸢尾花数据集进行分类。

首先，先导入必要的库和数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target

然后，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)

接下来，使用支持向量机算法进行训练和预测：

# 创建SVM分类器
clf = SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

最后，使用准确率作为评价指标来评估模型的性能：

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("准确率为：", acc)

完整代码如下：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target

# 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SVM分类器
clf = SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("准确率为：", acc)

以上就是一个简单的机器学习分类问题的案例代码，它使用了支持向量机算法对鸢尾花数据集进行分类。

给我写一个机器学习回归问题的案例代码

好的，以下是一个机器学习回归问题的案例代码，它使用了随机森林算法对波士顿房价数据集进行回归预测。

首先，先导入必要的库和数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target

然后，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)

接下来，使用随机森林算法进行训练和预测：

# 创建随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf.fit(X_train, y_train)

# 预测测试集
y_pred = rf.predict(X_test)

最后，使用均方误差（MSE）作为评价指标来评估模型的性能：

# 计算MSE
mse = mean_squared_error(y_test, y_pred)
print("均方误差为：", mse)

完整代码如下：

import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error

# 导入数据集
boston = load_boston()
X = boston.data
y = boston.target

# 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)

# 创建随机森林回归器
rf = RandomForestRegressor(n_estimators=100, random_state=42)

# 训练模型
rf.fit(X_train, y_train)

# 预测测试集
y_pred = rf.predict(X_test)

# 计算MSE
mse = mean_squared_error(y_test, y_pred)
print("均方误差为：", mse)

以上就是一个简单的机器学习回归问题的案例代码，它使用了随机森林算法对波士顿房价数据集进行回归预测。