zoukankan      html  css  js  c++  java
  • 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
    from sklearn.datasets import load_boston
    import  pandas as pd
     
    boston = load_boston()
    df = pd.DataFrame(boston.data) 
    
    #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。
    from sklearn.linear_model import LinearRegression
    import  matplotlib.pyplot as plt
     
    x =boston.data[:,5]
    y = boston.target
    LinR = LinearRegression()
    LinR.fit(x.reshape(-1,1),y)
    w=LinR.coef_
    b=LinR.intercept_
    print(w,b)
     
    plt.scatter(x,y)
    plt.plot(x,w*x+b,'orange')
    plt.show()
    
    #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。
    x = boston.data[:,12].reshape(-1,1)
    y = boston.target
    plt.figure(figsize=(10,6))
    plt.scatter(x,y)
     
    lineR = LinearRegression()
    lineR.fit(x,y)
    y_pred = lineR.predict(x)
    plt.plot(x,y_pred,'r')
    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=3)
    x_poly = poly.fit_transform(x)
    print(x_poly)
    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()

    运行结果

  • 相关阅读:
    python 【第一篇】初识python
    python 【目录】
    python 爬虫必知必会
    MySQL测试代码
    MySQL学习笔记
    pycharm社区版无database 解决方法
    windows python flask上传文件出现IOError: [Errno 13] Permission denied: 'E:\git\test\static\uploads'的解决方法
    ubuntu下python flask环境搭建
    windows下的python flask环境搭建
    Mockito (十四)
  • 原文地址:https://www.cnblogs.com/didi-l/p/10112813.html
Copyright © 2011-2022 走看看