数据挖掘与算法 第十三次作业

回归模型与房价预测

1. 导入boston房价数据集

from sklearn.datasets import load_boston   
 
boston = load_boston()
boston.keys()
 
print(boston.DESCR)
 
boston.data.shape 
 
boston.feature_names   
 
boston.target 
 
import pandas as pd
df = pd.DataFrame(boston.data)  
df

结果一：

结果二：

结果三：

 

 

 

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 matplotlib.pyplot as plt
x = boston.data[:,5]  
y = boston.target
plt.figure(figsize=(10,6)) 
plt.scatter(x,y)
plt.plot(x,7*x-18,'r')  
plt.show()

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()
lineR.fit(boston.data,y)
w = lineR.coef_         
b = lineR.intercept_    
print(w)
print(b)

import matplotlib.pyplot as plt
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,'g')
print(lineR.coef_,lineR.intercept_)

plt.show()

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

poly = PolynomialFeatures(degree = 2)
x_poly = poly.fit_transform(x)

lrp = LinearRegression()
lrp.fit(x_poly,y)
y_poly_pred = lrp.predict(x_poly)
plt.scatter(x,y)
plt.scatter(x,y_pred)
plt.scatter(x,y_poly_pred)
plt.show()

结果：