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()