第十三次作业

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。

 

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

#查看每一个key值
print('data值为：',boston.data)
print('target值为：',boston.target)
print('feature_names值为：',boston.feature_names)

#查看对这个数据集的描述
print(boston.DESCR)   

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

.

##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    #房价
plt.figure(figsize = (8,6))
plt.scatter(x,y)      #点图
plt.plot(x,9.1*x-34,'r')    #直线
plt.show()
x.shape

##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_         #斜率
b = lineR.intercept_    #截距
print('斜率为：',w)
print('截距为：',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()

##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)

lp = LinearRegression()
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()