12.06
1. 导入boston房价数据集
from sklearn.datasets import load_boston from sklearn.datasets import load_boston boston = load_boston() boston.keys() print(boston.DESCR) boston.feature_names boston.target boston.data.shape
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 pandas as pd df = pd.DataFrame(boston.data) df import matplotlib.pyplot as plt x = boston.data[:,3] y = boston.target plt.figure(figsize=(10,6)) plt.scatter(x,y) plt.plot(x,6.3*x-(-20),'r') plt.show() x.shape from sklearn.linear_model import LinearRegression #一元线性回归 lineR = LinearRegression() lineR.fit(x.reshape(-1,1),y) lineR.coef_
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 #多元线性回归 lineR = LinearRegression() lineR.fit(boston.data,y) w = lineR.coef_ w
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) 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()