请选择 进入手机版 | 继续访问电脑版

QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 1196|回复: 0

房价预测(线性回归)

[复制链接]
字体大小: 正常 放大

1170

主题

4

听众

2719

积分

该用户从未签到

发表于 2024-3-31 16:37 |显示全部楼层
|招呼Ta 关注Ta
数据集:使用加利福尼亚房价数据集。
7 U- }+ c6 N( E& f9 v任务:构建一个模型预测加利福尼亚地区的房价。$ n9 ^8 ]4 u6 k5 o
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。
& x: e, M& C" \6 P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。
" o$ h) D2 Y0 M5 Z& G. B! V3 j
5 ~, O- c6 r: P' U3 \加载和预处理数据
/ x1 t! p6 N. i% o& K9 w$ q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: F6 N' N: h\\" Z+ x. e

  2. , P0 u- W6 ~5 D* B* s
  3. from sklearn.model_selection import train_test_split$ _, E7 a/ s: a! ^3 y2 X  s- E, {

  4. ; T) v- z0 H7 g: f\\" i
  5. from sklearn.preprocessing import StandardScaler
  6. # z) Q& S+ H  V: g  ~
  7. 5 X% Y# Q7 \7 S\\" q0 D5 p! Z
  8. from sklearn.linear_model import LinearRegression
  9. * ^. c& {9 s) q
  10. ) c* i+ ^6 N, T9 i
  11. from sklearn.metrics import mean_squared_error
  12. 2 U: T' b/ J; X5 i
  13. ; }+ d* M* h/ Y  U0 O, P

  14. 8 b+ ~# I1 [' d5 x, c
  15. $ X* {1 g) M2 Y  ?0 i+ m
  16. # 加载数据集
  17. 4 v, C  u2 Y5 a# a

  18. ' k: w+ ]9 ~+ @) Y  R4 b
  19. housing = fetch_california_housing()
  20. 9 Y# \; d. E2 H3 k: `

  21. : x% ]* q& q8 y4 r+ w
  22. X, y = housing.data, housing.target
  23. 0 {+ e4 I3 a# ]) D- k
  24. 7 C/ K\\" \% J% m, T/ i

  25. 5 P2 e# ?1 R2 G  J
  26. % c* G% C# ]  v\\" x8 `- _0 v) ?
  27. # 划分训练集和测试集
  28. & f0 L4 m4 m, p. f: r
  29. 7 Y. l& e& M6 r, Q. `- C$ `
  30. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)8 }% P8 u. [4 j$ n1 }/ f) |( r

  31. 4 x\\" _9 N# k$ l$ n4 M# D) A/ e

  32. ) F6 M1 L; Z1 Z- `$ }8 a& _

  33. + D1 G' ^4 E' _. z: F
  34. # 数据预处理:标准化
  35. 1 w0 d% {1 m8 h3 ^4 [* }

  36. 8 C9 z( a  N' ^$ S\\" z
  37. scaler = StandardScaler()
  38. $ y. e) i+ _5 b# F4 k. f) Y$ l1 H
  39. 7 b+ O$ i  J/ t
  40. X_train_scaled = scaler.fit_transform(X_train)
  41. 7 i4 N1 t/ c0 l# m
  42. 1 ]1 h1 Y9 M. {- {/ [
  43. 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
    8 B3 ^( K2 o, N3 H
  2. model = LinearRegression()4 f5 ^5 C6 R( ^% Z2 [
  3. : w! @( K9 b5 m) o+ N
  4. # 训练模型  ]0 W# |8 U1 s: X
  5. model.fit(X_train_scaled, y_train)
    . S3 v) R/ r1 `# ?/ ]9 N# j$ K, H: g

  6. 7 p8 M7 u2 Q  r7 w
  7. # 预测测试集
    1 g1 y& o9 u& q- ]1 x1 e# z2 f) \
  8. y_pred = model.predict(X_test_scaled)
    0 h5 X# N) B' Y, H; k7 K- A- I

  9. : z+ |4 T9 q  B$ D1 F5 N$ ~
  10. # 评估模型
    . M: G& L9 A2 x9 F+ V' y% e
  11. mse = mean_squared_error(y_test, y_pred)) W/ b& |\" Z5 L! F& n
  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/ O9 U3 @) R: y* A: X0 s+ [1 F2 j# X
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。4 W( e1 T' X+ U
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_regression2 y* a4 a# _3 Y: F+ l* j0 P2 H
  2. % `+ @' _0 J* L
  3. # 特征选择- g! |8 X; r\" N$ u7 d
  4. selector = SelectKBest(score_func=f_regression, k=5)
    : G7 W/ U- F, y
  5. X_train_selected = selector.fit_transform(X_train_scaled, y_train)
    ; V: x9 Y7 b7 U4 s0 R, S
  6. X_test_selected = selector.transform(X_test_scaled)
    + B! D3 T- Y( W2 k
  7. 2 D9 N( E; E0 _; {\" u
  8. # 使用选择的特征重新训练模型
    - D/ ~% K8 N' ]  a( h
  9. model.fit(X_train_selected, y_train)
    & I/ ]+ I; K% U& T
  10. y_pred_selected = model.predict(X_test_selected)
    % U* k4 R( [$ b; e9 S5 r$ v

  11. - L\" O2 `, |: h  N
  12. # 评估
    ( M4 O3 s- C' g! F
  13. mse_selected = mean_squared_error(y_test, y_pred_selected)/ `- \7 F7 y2 k# p$ O
  14. print(f"Mean Squared Error with selected features: {mse_selected}")
复制代码
5 M4 r6 ?# V2 ?) }2 \- p; w. b; ^
zan
您需要登录后才可以回帖 登录 | 注册地址

fastpost qq
收缩
  • 电话咨询

  • 04714969085

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, 2025-2-7 06:51 , Processed in 0.507716 second(s), 51 queries .

回顶部