波士顿房价预测：线性回归实战与分析（1120182525 梁瑛平）

本实验报告主要针对线性回归这一统计学习方法进行了深入探究，以波士顿房价数据集为例。首先，实验的目标是通过实践让学生理解线性回归在数据科学中的实际应用，包括原理掌握和sklearn库的运用。线性回归是回归分析的一种，其核心思想是寻找自变量与因变量之间的线性关系，以便于预测和建模。 实验开始时，学生使用Python的pandas库进行数据读取，并展示数据的基本结构。选择'crim'（犯罪率）、'rm'（每户住房房间数）和'lstat'（低收入家庭比例）作为特征值，而'medv'（中位房价）作为目标值。接下来，通过计算这些特征的描述性统计（如平均值、标准差等），来理解它们的分布情况。 为了评估模型的性能，学生需要将数据集分为训练集和测试集，通常采用70%的数据用于训练，30%用于测试。然后，利用sklearn库中的LinearRegression类进行线性回归模型的构建，通过对特征与目标值之间的关系进行拟合，得到回归方程。 在实验过程中，学生需关注平均绝对误差和均方误差这两个评估指标，它们衡量的是模型预测值与真实值之间的差异。通过分析这两者，可以评价模型的精度和稳定性。 在整个实验中，学生不仅提升了对线性回归的理解，还锻炼了数据预处理、模型构建和评估的能力。同时，实验强调了计算机科学基础知识和算法理解的重要性，因为机器学习是一个跨学科的领域，需要坚实的计算机基础作为支撑。 通过完成这个实验，梁瑛平同学对机器学习有了更深的认识，认识到学习过程中需要持之以恒和不断探索。她表示会继续努力，弥补不足，为以后的学习和职业生涯打下坚实的基础。这个项目不仅限于课堂学习，还涉及到编程语言Python（版本3.6及以上）、数据处理库pandas（1.0.5版本）以及sklearn（0.23.1版本）等工具的使用，对硬件环境没有特别要求，适用于台式机或笔记本电脑。 总结来说，这个实验让学生深化了对线性回归技术的理解，提升了实践技能，并培养了数据分析和模型优化的能力，是计算机科学与技术专业学生进行机器学习入门的重要实践环节。