线性回归模型解决简单的数据集处理

目录

1. 问题选择

         房价预测。

2. 数据收集与处理

3. 模型建立

4. 模型评估与优化

5. 结果展示与讨论

6.总体代码

---

1. 问题选择

选择一个与回归分析问题相关的实际问题，例如房价预测、销售额预测、股票价格预测等。

         我选择房价预测。

2. 数据收集与处理

1. 收集与所选问题相关的数据集，确保数据集应包含至少一个目标变量（因变量）和若干个解释变量（自变量）。

        在这里选用的是加州房价数据集，其中包含一个目标向量median_house_value，一个特征向量population，和若干其他变量MSSubClass，MSZoning，LotFrontage，LotArea，Street，...

     2.对数据进行清洗和预处理，包括缺失值处理、异常值处理、数据标准化等

# 加载数据
df = pd.read_csv('D:\下载\实验二\housing.csv')

#将字符串类型的列转换为数值类型
for col in df.columns:
    if df[col].dtype == 'object':
        df[col] = pd.Categorical(df[col]).codes

# 删除包含缺失值的行
df.dropna(inplace=True)  

# 检查数据中是否存在无穷大或 NaN 值
if not np.all(np.isfinite(df.values)):
    raise ValueError("数据中存在无穷大或 NaN 值")

     3.对数据集进行初步的探索性分析，包括描述性统计、可视化等，了解数据的分布特征、相关性等。

# 描述性统计
print(df.describe())

# 数据可视化
plt.figure(figsize=(10, 6))
sns.histplot(df['median_house_value'], kde=True) 
plt.show()

# 相关性分析
correlation = df.corr()
print(correlation)

# 可视化相关性
plt.figure(figsize=(10, 8))
sns.heatmap(correlation, annot=True, cmap='coolwarm')
plt.show()

3. 模型建立

1. 根据数据集的特点，选择合适的回归模型（如线性回归、逻辑回归、决策树回归、随机森林回归等）。

选择线性回归模型。

     2.使用所选的回归模型对数据进行拟合，得到回归方程或模型。

#将数据集分为特征向量和目标向量，并训练回归模型
X = df[['population']]
y = df['median_house_value