QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 1880|回复: 0
打印 上一主题 下一主题

房价预测(线性回归)

[复制链接]
字体大小: 正常 放大

1175

主题

4

听众

2842

积分

该用户从未签到

跳转到指定楼层
1#
发表于 2024-3-31 16:37 |只看该作者 |倒序浏览
|招呼Ta 关注Ta
数据集:使用加利福尼亚房价数据集。; V7 E1 N" Q7 C+ M  ?$ _5 G& F
任务:构建一个模型预测加利福尼亚地区的房价。
5 i" p  J% F3 S2 x挑战:尝试不同的预处理方法(标准化、归一化等)和特征选择技术来改进模型性能。! z& x" @: T- a& K0 ?& Q
线性回归是一种预测数值型数据的经典统计方法,它假设目标值和特征之间存在线性关系。在房价预测任务中,我们可以使用线性回归模型来预测基于多个特征(如房屋大小、位置、年龄等)的房价。以下是使用加利福尼亚房价数据集进行房价预测的示例代码,以及如何应用不同的预处理方法和特征选择技术来改进模型性能。, x- a6 `9 k4 `  g! b7 b8 Q" _: u
2 a' ~4 [! z4 O
加载和预处理数据
: r$ ~& n1 n/ T  c首先,我们从scikit-learn中加载加利福尼亚房价数据集,并进行基本的数据预处理。
  1. from sklearn.datasets import fetch_california_housing
  2. : S1 \  L! e5 h* @) z: N( k

  3. : M\\" Y+ W4 t# a1 S* g
  4. from sklearn.model_selection import train_test_split
  5. ( e7 ~6 s/ c. H) o; ?) g* t

  6. 9 t1 d- q\\" z8 G% s) R
  7. from sklearn.preprocessing import StandardScaler
  8. + Q+ A( g8 }, w( O\\" x( i
  9. - V' C  g9 v# _& j\\" J
  10. from sklearn.linear_model import LinearRegression9 k& j' v. @2 o/ ?1 T7 S3 ~
  11. 4 j/ o$ T' ~- x3 X% N& Y8 ]  n
  12. from sklearn.metrics import mean_squared_error, ]: F$ d9 @1 j! g  E

  13. : k% Y8 G! f, ^+ b# l5 P/ D
  14. ! f! x3 t) h, g( ]$ d- k. h

  15. + s; u! @( q, l
  16. # 加载数据集
  17. - s7 C6 u5 B5 Z# ~3 j
  18. - d$ |. ?& K7 L- l\\" x
  19. housing = fetch_california_housing()2 y# M$ K: R- d1 V8 ?. v; ?: d

  20. 6 ~+ S3 L4 i9 I$ c
  21. X, y = housing.data, housing.target$ x: Z. ]) d, U1 f
  22. 9 S; |1 c: ]: F9 E5 _

  23. / X- D) G/ r+ W$ ^
  24. 0 k  Y7 D( i7 R5 t! @0 }
  25. # 划分训练集和测试集
  26. / s. g' U3 p$ j( X1 ^( J7 C& x
  27. , b; j  |$ y! I* l3 E
  28. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  29. ( j( B- ~& p. J& t\\" g; D
  30. ! M& B& M. `- V0 g) \6 I
  31. ) s$ G0 T7 T# T7 @+ b* c; {
  32. : u* o2 J& z4 @5 I3 @
  33. # 数据预处理:标准化6 @% k# V% v2 G: m6 O
  34. , V# l( r. S+ Z+ O
  35. scaler = StandardScaler()
  36.   d; m$ J& p: o! E; d& f& x1 q
  37. ! ^4 x0 D5 s+ e0 E# E1 |# T
  38. X_train_scaled = scaler.fit_transform(X_train)9 _; `* Q3 b% p5 K' K\\" X9 g: K
  39. $ c5 r5 z$ M- |/ V
  40. X_test_scaled = scaler.transform(X_test)
构建和训练线性回归模型
  1. # 创建线性回归模型; T! v7 J: Y4 K5 l3 x  b- k
  2. model = LinearRegression()# {' L+ m9 S$ m5 o( [% a6 p- P
  3. 8 J6 T. F* I) t. T- h
  4. # 训练模型
    % x* [\" j, Y\" p/ F* L/ y
  5. model.fit(X_train_scaled, y_train)) h1 H3 A+ m& S: H0 C( h
  6. 1 p4 l* A! X7 d! c% W
  7. # 预测测试集
    . m9 Y) u- V2 x$ F+ j: B
  8. y_pred = model.predict(X_test_scaled)
    9 k6 F7 ]. _9 V6 H; J+ y( {8 u: J
  9. + P9 j4 K2 J. b
  10. # 评估模型- x. R. g( p+ X' }/ ?. V\" @- m. {
  11. mse = mean_squared_error(y_test, y_pred)- t/ K2 F  b. c+ |# F4 d
  12. print(f"Mean Squared Error: {mse}")
复制代码
挑战:尝试不同的预处理方法和特征选择+ h+ k& H0 ^, U0 l0 r7 ^% r
预处理方法:除了标准化,你还可以尝试归一化(MinMaxScaler)、对数转换等方法,看看它们如何影响模型的性能。. J( S+ F9 @1 H# B6 Q5 |- W
特征选择:可以使用不同的特征选择方法(如SelectKBest, SelectFromModel)来选择最有影响力的特征,这有助于模型专注于最重要的信息,提高预测准确性。
  1. from sklearn.feature_selection import SelectKBest, f_regression
    0 X6 g. [* T$ V

  2. ) q+ {4 ~9 x0 y, d
  3. # 特征选择
    & Q6 i5 V# E7 c- j
  4. selector = SelectKBest(score_func=f_regression, k=5)! g  `$ A* y1 \( Z6 a3 a6 d
  5. X_train_selected = selector.fit_transform(X_train_scaled, y_train)\" E$ R: h% ^* S, u
  6. X_test_selected = selector.transform(X_test_scaled)# j8 o, j6 D0 Z* ~\" w

  7. 1 ~; |4 K! j' V
  8. # 使用选择的特征重新训练模型
    0 ?  W5 O1 z0 r  b
  9. model.fit(X_train_selected, y_train)
    2 J9 B- Q: I3 Q1 M! y' W\" l
  10. y_pred_selected = model.predict(X_test_selected)8 z* H\" ]; @# R2 F5 y
  11. . L& g5 t' e9 C( T' [) o
  12. # 评估
    ; x) C# G' `$ \0 E; E( K$ i- m
  13. mse_selected = mean_squared_error(y_test, y_pred_selected)& F. O7 K$ l5 w8 a
  14. print(f"Mean Squared Error with selected features: {mse_selected}")
复制代码
% ~$ n) ]# r8 |' @7 `( U: f% C
zan
转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
您需要登录后才可以回帖 登录 | 注册地址

qq
收缩
  • 电话咨询

  • 04714969085
fastpost

关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

手机版|Archiver| |繁體中文 手机客户端  

蒙公网安备 15010502000194号

Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

GMT+8, 2025-7-29 01:55 , Processed in 0.356119 second(s), 51 queries .

回顶部