2018.12.06 作业十三

回归模型与房价预测

1. 导入boston房价数据集

2. 一元线性回归模型，建立一个变量与房价之间的预测模型，并图形化显示。

3. 多元线性回归模型，建立13个变量与房价之间的预测模型，并检测模型好坏，并图形化显示检查结果。

4.  一元多项式回归模型，建立一个变量与房价之间的预测模型，并图形化显示。

 

 

1. 导入boston房价数据集

##导入boston房价数据集
import numpy
from sklearn.datasets import load_boston
boston = load_boston()
boston.keys()

　　运行结果：

print(boston.DESCR)

　　运行结果：

 

boston.feature_names#数据集特征

　　运行结果：

boston.target

　　运行结果：

 

2. 一元线性回归模型，建立一个变量与房价之间的预测模型，并图形化显示。

import pandas as pd
df = pd.DataFrame(boston.data)
df

　　运行结果：

 

import matplotlib.pyplot as plt
x= boston.data[:,5]
y= boston.target
plt.figure(figsize=(10,6))
plt.scatter(x,y)
plt.plot(x,9*x-34,'r')
plt.show()
x.shape

　　运行结果：

 

3. 多元线性回归模型，建立13个变量与房价之间的预测模型，并检测模型好坏，并图形化显示检查结果。

from sklearn.linear_model import LinearRegression
lineR = LinearRegression()       #构造回归对象
lineR.fit(boston.data,y)
w = lineR.coef_         #斜率
b = lineR.intercept_    #截距
print('斜率为：',w)
print('截距为：',b)

import matplotlib.pyplot as plt       #一元多项式回归模型
x = boston.data[:,12].reshape(-1,1)
y = boston.target
plt.figure(figsize=(10,6))
plt.scatter(x,y)

from sklearn.linear_model import LinearRegression
lineR = LinearRegression()
lineR.fit(x,y)
y_pred = lineR.predict(x)
plt.plot(x,y_pred,'r')
print(lineR.coef_,lineR.intercept_)

plt.show()

　　运行结果：

 

4.  一元多项式回归模型，建立一个变量与房价之间的预测模型，并图形化显示。

from sklearn.preprocessing import PolynomialFeatures     # 建立多项式模型
poly = PolynomialFeatures(degree=2)
x_poly = poly.fit_transform(x)

lp = LinearRegression()     # 用多项式后的x建立多项式回归模型
lp.fit(x_poly,y)
y_poly_pred = lp.predict(x_poly)

plt.scatter(x,y)
plt.plot(x,y_poly_pred,'r')
plt.show()


from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2)
x_poly = poly.fit_transform(x)

lrp = LinearRegression()
lrp.fit(x_poly,y)
plt.scatter(x,y)
plt.scatter(x,y_pred)
plt.scatter(x,y_poly_pred)   #多项回归
plt.show()

　　运行结果：