1. 导入boston房价数据集
#导入boston房价数据集
from sklearn.datasets import load_boston
boston=load_boston()
boston.keys()
print(boston.DESCR)
boston.feature_names
boston.target
#利用pandas处理数据
import pandas as pd
df = pd.DataFrame(boston.data)
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。
#一元线性回归模型，建立一个变量与房价之间的预测模型。
import matplotlib.pyplot as plt
x=boston.data[:,5]
y=boston.target
plt.figure(figsize=(10,6)) #调整图片尺寸
plt.plot(x,9*x-20,'r')
plt.scatter(x,y) #散点图
plt.show()
from sklearn.linear_model import LinearRegression
lineR = LinearRegression() #线性回归y=kx+b
lineR.fit(x.reshape(-1,1),y) #训练集
k=lineR.coef_ #斜率
b=lineR.intercept_ #截距
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。
#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。
from sklearn.linear_model import LinearRegression
lineR = LinearRegression()
lineR.fit(boston.data,y)
k = lineR.coef_ #斜率
b = lineR.intercept_ #截距
import matplotlib.pyplot as plt
x=boston.data[:,12].reshape(-1,1)
y=boston.target
plt.figure(figsize=(10,6)) #指定显示图大小
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,'black') #散点图
print(lineR.coef_,lineR.intercept_)
plt.show()
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。
# 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.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) #一元多项式回归
plt.show()
