Python建立线性回归模型进行房价预测

2023-05-29 01:53| 来源: 网络整理| 查看: 265

Python建立线性回归模型进行房价预测前期准备多因子房价预测实战流程1.数据加载2.数据可视化3.数据预处理4.模型建立与训练5.模型预测6.模型评估7.房价预测数据与代码

前期准备

本文使用Jupyter-notebook作为集成开发环境，使用Scikit-learn库搭建线性回归模型进行房价预测，Scikit–learn具有三大优点：

丰富的算法模块易于安装和使用样例丰富教程文档详细

官网：https://scikit-learn.org/stable/index.html

多因子房价预测

基于task2_data.csv数据，建立多因子线性回归模型

以面积、人均收入、平均房龄为输入变量，建立多因子模型，评估模型表现预测面积=150, 人均收入=60000, 平均房龄=5的合理房价实战流程数据加载与可视化数据预处理建立单因子线性回归模型，训练模型评估模型表现，可视化线性回归预测结果

流程图为：在这里插入图片描述

1.数据加载

首先加载task2_data.csv数据并展示部分数据，代码如下：

#数据加载 import pandas as pd import numpy as np data = pd.read_csv('task2_data.csv') data.head(10) 2.数据可视化

对数据进行可视化代码如下：

from matplotlib import pyplot as plt fig = plt.figure(figsize=(20,5)) fig1 = plt.subplot(131) plt.scatter(data.loc[:,'面积'],data.loc[:,'价格']) plt.title('Price VS Size') fig2 = plt.subplot(132) plt.scatter(data.loc[:,'人均收入'],data.loc[:,'价格']) plt.title('Price VS Income') fig3 = plt.subplot(133) plt.scatter(data.loc[:,'平均房龄'],data.loc[:,'价格']) plt.title('Price VS House_age') plt.show()

面积与价格、人均收入与价格、平均房龄与价格散点图如下：在这里插入图片描述

3.数据预处理

将上述加载的数据转化为numpy格式

#X y再次赋值 X = data.drop(['价格'],axis=1) y = data.loc[:,'价格'] X.head() #数据预处理 X = np.array(X) y = np.array(y) y = y.reshape(-1,1) print(X.shape,y.shape) 4.模型建立与训练

建立多因子回归模型并且训练

#建立多因子回归模型并且训练 from sklearn.linear_model import LinearRegression model_multi = LinearRegression() model_multi.fit(X,y) 5.模型预测

进行多因子模型的预测

#多因子模型的预测 y_predict_multi = model_multi.predict(X) print(y_predict_multi) 6.模型评估

通过计算模型准确率与r2_score对模型进行评估

from sklearn.metrics import mean_squared_error,r2_score MSE_multi = mean_squared_error(y,y_predict_multi) R2_multi = r2_score(y,y_predict_multi) print(MSE_multi) print(R2_multi) 7.房价预测

最后预测面积=150, 人均收入=60000, 平均房龄=5的合理房价

#预测面积=150, 人均收入=60000, 平均房龄=5的合理房价 X_test = np.array([[150,60000,5]]) y_test_predict = model_multi.predict(X_test) print(y_test_predict) 数据与代码

房价数据与完整代码github地址:https://github.com/15009824714/House-price-forecast

【本文地址】

公司简介

联系我们