QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2815|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

1189

主题

4

听众

2934

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。
( x$ X# u2 |! O- t3 ~0 z任务:构建一个模型预测加利福尼亚地区的房价。
% ?0 L  L3 E& l: f( R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。+ I& ~; m0 d# @3 e" 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。
, Z4 w& C2 t- x/ V+ o8 Z$ h" _6 k) d( q1 V0 N( w
加载和预处理数据* H8 C4 |" V3 t% O+ H2 X5 j- f
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) C/ X! W* J- s# P

  2. % M* Q5 N8 C2 F. B
  3. from sklearn.model_selection import train_test_split2 _% r( `4 G9 ?( Q0 _( ~! X2 ]( Y

  4. $ V& R) n0 L: |' @
  5. from sklearn.preprocessing import StandardScaler
  6. & [* |! _. G# X( ?/ g6 ~
  7. 3 T\\" b- Q) E\\" h' s% `) |
  8. from sklearn.linear_model import LinearRegression
  9. \\" C( Q) }! _$ V2 k4 S3 u' R
  10. 7 N* [- X5 x# O
  11. from sklearn.metrics import mean_squared_error
  12. 2 t  |, H  W) i

  13. , [4 X! f+ e5 z6 Q; g& n
  14. ( j! B+ w# X2 \! N
  15. 6 b; u$ j4 y' y# v* H' Y
  16. # 加载数据集
  17. 1 ^2 K0 a: \% P$ ~3 M( \( k2 L

  18. 2 D! F8 S1 V& _8 d6 P; ^
  19. housing = fetch_california_housing()& k) H; T+ m8 l( x
  20. + g  A- K# U* p0 Y# o$ G
  21. X, y = housing.data, housing.target
  22. ' t2 D# ]  s; d6 @1 R4 T, E

  23. + c7 F+ T5 \4 _
  24. , i- @0 l% ?* h\\" A. Q/ r6 Z
  25. : R$ x. {% I5 H  {( H
  26. # 划分训练集和测试集, q# D: W: Z9 Z1 }
  27. ; r% m9 v* B' g5 j$ m
  28. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  29. - I7 k  J5 w& h# ~
  30. : Z. Y/ K9 z2 z$ U* y

  31. 3 r! J3 U8 c+ c) P( _, s6 H

  32. 5 H% H! p: \\\" W3 r) V+ d4 ?
  33. # 数据预处理:标准化# C3 G8 T- f3 v' e

  34. 7 R; d( E: [+ I! \8 |
  35. scaler = StandardScaler()
  36. 8 b0 x# K. [& n' X6 F* a  g

  37. % p' E4 I9 @; f2 M
  38. X_train_scaled = scaler.fit_transform(X_train)
  39. $ y- A7 k* N8 i, z; X
  40. \\" v7 D( h. {2 C% \* u\\" F3 X: T* P; L
  41. 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
    $ u6 U, M; m! _9 V  G
  2. model = LinearRegression()
    % W2 d9 ?$ {' C0 E; G6 m; v% y\" @  K
  3.   j  L\" G) O: y\" a) X0 N$ t
  4. # 训练模型8 X- C2 `0 \7 W  ?6 q- X3 z, _2 l2 ^
  5. model.fit(X_train_scaled, y_train)
    3 G8 Y0 A) ]: l3 Q: B5 H$ D+ Y

  6. ' B+ A. M4 O( b2 V. W
  7. # 预测测试集
    $ \7 m* v: _- \* t$ v
  8. y_pred = model.predict(X_test_scaled)* r8 d5 z# P( I$ h. r6 g
  9. $ |  D) c4 ?7 Z
  10. # 评估模型
      C8 T. i% t1 k  G, \) |
  11. mse = mean_squared_error(y_test, y_pred)
    1 @6 w/ S- A  T; X
  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& y2 F  q/ ]- B) C% v
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。9 D7 a( M0 J) f. P4 W  E
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 `0 X1 \0 |% y
  2. 8 Q, h# {7 c; A
  3. # 特征选择
    4 r9 @# X9 ?2 n' ~
  4. selector = SelectKBest(score_func=f_regression, k=5)
    7 K. J0 l) v1 `8 u
  5. X_train_selected = selector.fit_transform(X_train_scaled, y_train)+ Y5 o# a\" I# E) f  F
  6. X_test_selected = selector.transform(X_test_scaled)
    , C- N# c1 P. v
  7. 2 q% H1 p4 f; a8 o* {5 f4 N8 v
  8. # 使用选择的特征重新训练模型
    \" [7 n+ k; H% O! h! s' L4 b
  9. model.fit(X_train_selected, y_train)/ v# Z/ X: Y9 Q& O
  10. y_pred_selected = model.predict(X_test_selected)
    \" A$ Y. `/ e( _3 S' f
  11. 2 U\" f1 k  ~, a* }5 k3 x0 }3 W
  12. # 评估1 ~: z3 t3 w* V7 T
  13. mse_selected = mean_squared_error(y_test, y_pred_selected)
    3 E0 d- |9 f# H1 B\" u, M4 N
  14. print(f"Mean Squared Error with selected features: {mse_selected}")
复制代码
, N3 w; L( ~. k& T
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, 2026-7-28 12:01 , Processed in 0.294023 second(s), 51 queries .

回顶部