QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2816|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。4 w$ h3 d% ]. T# a: [2 b9 N8 T
任务:构建一个模型预测加利福尼亚地区的房价。$ B$ h9 O7 K3 L& W9 O7 o& w
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。
" d( r$ R! r+ }8 d( W6 |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。+ W- A$ P; H! p. ^0 u2 D

& o/ k5 B6 z4 _# c( \加载和预处理数据* O6 ~+ R5 E, S1 o! Z1 N! n
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. B% T4 S: m! }/ N7 P& N
  2. 0 g  B& ]) X: K& ^& C+ w& e
  3. from sklearn.model_selection import train_test_split7 p\\" s3 U1 F! J8 l  r$ {

  4. , O7 B\\" {& N) v
  5. from sklearn.preprocessing import StandardScaler: @  ~0 B7 S0 Q9 }# v1 r- M. r: T

  6. - k- K; E. R2 j& o
  7. from sklearn.linear_model import LinearRegression
  8. 6 o+ n0 S6 U\\" S\\" T) j+ D

  9. , V% R; E0 L/ ?& }) G
  10. from sklearn.metrics import mean_squared_error
  11. . Q# e, O6 @2 Z# {& s( N
  12. ; f* d3 Y0 m) i$ f6 p/ x! Z
  13. \\" L\\" h/ S% x6 S0 k
  14. ' ]8 G* I: f+ G+ h  C, p4 v
  15. # 加载数据集3 u, \. J# J' n& y
  16. % x! Y, a* y7 P0 w2 x! v
  17. housing = fetch_california_housing()
  18. , [$ W' ?- T, d\\" g/ D9 ]: q! i1 R
  19. 0 ]( e6 W* O# z% Z4 R
  20. X, y = housing.data, housing.target
  21. 8 g' X9 H5 X( f
  22. + Q, G' r$ E+ r9 `) h1 }0 N

  23. : f/ W$ z. Y) j\\" u6 {' l1 |
  24. ( ^1 R0 y1 Q. p\\" B$ x
  25. # 划分训练集和测试集
  26. * u- x' F+ v+ h3 P# ^9 i# ]; i
  27. ' k% ?2 v% @. K\\" d( o
  28. X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  29. ! p# ^, Z6 p9 t+ I\\" f. {( U\\" M

  30. 2 ^5 A/ X  X( d

  31. : ^' C/ V* I  b% s
  32. 8 c. Z\\" r- Z# J9 d7 A2 x
  33. # 数据预处理:标准化  {& B# R' ^& w# P! @, \
  34. . ?' F$ _8 [2 M0 W% A& R! a
  35. scaler = StandardScaler()- W4 h- @9 O* x5 G: k
  36. ' _1 R5 t% H7 d) D8 n7 V
  37. X_train_scaled = scaler.fit_transform(X_train)1 B8 E, _3 q' [6 v# W+ T9 ?\\" u( F

  38. ! `5 A% O: e* u% W' \' w
  39. 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
    % b* F3 q% I2 w8 s& `
  2. model = LinearRegression()* p2 ~3 K6 K* `+ i5 `2 I+ @# B# f

  3. 6 J\" s+ V' V, F( k$ D
  4. # 训练模型
    ( B- e4 V5 s! u* @9 q$ _6 v
  5. model.fit(X_train_scaled, y_train)( h2 t6 y, P+ ?2 t. e. M8 ]
  6. . s9 g3 U0 J* q0 f
  7. # 预测测试集
    $ }4 i/ [- [* u$ U( k
  8. y_pred = model.predict(X_test_scaled)8 G8 w! A; y: v\" j! K$ T! N

  9. % a3 u) `& d+ m
  10. # 评估模型
    2 c3 Q% J4 w2 K+ K* W. i% @. v* M
  11. mse = mean_squared_error(y_test, y_pred)/ D/ G7 h6 T4 g1 f5 z
  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
. p! j/ T  j% I6 z" O& L4 R2 `; Q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。
8 Y6 h6 Q5 ^( U2 q& H5 H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
    % B9 d$ s) l2 {# ~: g
  2. . j- {0 c$ Q: [; }
  3. # 特征选择) O/ M' B/ X  Z+ |0 P! |8 s) R
  4. selector = SelectKBest(score_func=f_regression, k=5)% m5 L. Q3 ~/ s# x% F
  5. X_train_selected = selector.fit_transform(X_train_scaled, y_train)
    % s: |+ c. t' K0 j8 I; z! I  W$ U
  6. X_test_selected = selector.transform(X_test_scaled)
    ; ^. a6 W: p' n& `! ?# I1 W3 b7 t) S

  7. ! z4 Y. C: H% V, _
  8. # 使用选择的特征重新训练模型3 o# t; F- K. V\" L, l6 ]0 B; [
  9. model.fit(X_train_selected, y_train)
    ! h6 d* e3 s\" Y/ N1 [3 P
  10. y_pred_selected = model.predict(X_test_selected)) D- l4 f. x. Y! o( z. X& O
  11. - f+ e4 N+ j. ?1 z: w
  12. # 评估( _% R3 U, E6 f( E- Q0 s
  13. mse_selected = mean_squared_error(y_test, y_pred_selected)- S9 R, L. h) A5 p+ O
  14. print(f"Mean Squared Error with selected features: {mse_selected}")
复制代码
& t5 }0 \/ |9 i& v
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 13:22 , Processed in 0.560432 second(s), 51 queries .

回顶部