- 实验目的
1、理解监督学习中回归之线性回归;
2、掌握Sklearn提供的线性回归模型;
- 实验内容与要求
背景:与房价密切相关的除了单位的房价,还有房屋的尺寸。我们可以根据已知的房屋成交价和房屋的尺寸进行线性回归,继而可以对已知房屋尺寸,而未知房屋成交价格的实例进行成交价格的预测。
目标:对房屋成交信息建立回归方程,并依据回归方程对房屋价格进行预测技术路线:sklearn.linear_model.LinearRegression
实验过程:
使用算法:线性回归
实现步骤:
1. 建立工程并导入sklearn包
2. 加载训练数据,建立回归方程
3. 可视化处理
- 实验程序与结果
import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression data = np.loadtxt('prices.txt', delimiter=',') plt.scatter(data[:, 0], data[:, 1], color='red') # 使用红色标记绘制面积与价格的散点图 # 使用线性回归进行训练 model = LinearRegression() model.fit(np.array(data[:, 0]).reshape([-1, 1]), data[:, 1]) # 将面积数据转换为二维数组并与价格数据一起用于模型训练 # 使用线性回归模型进行预测 y_predict = model.predict(np.array(data[:, 0]).reshape([-1, 1])) # 根据面积数据进行预测 print(y_predict) plt.plot(data[:, 0], y_predict, color='purple', linewidth=2) # 绘制线性回归曲线 plt.xlabel('area/ft^2') # x轴:“面积(平方英尺)” plt.ylabel('prince/ten thousand') # y轴:“价格(万元)” plt.savefig('prince_predict.png') plt.show()
四、实验结果分析
通过数据的可视化直接观察房屋成交价格与房屋尺寸间,可以看出实际房价散点分布在预测直线两侧,且两侧的数量相近,说明预测直线比较合理,房价与面积间存在线性关系。
五、实验问题解答与体会
对于本实验的数据来说,散点图就可以很好的将其在二维平面中进行可视化表示。熟悉了线性回归的数学模型的建立与求解,通过对结果的分析建立回归模型,将实际问题转化为易懂的数学问题。说明了线性回归在实际生活中的重要作用,充分体现了数学建模的重要作用,学会建模以及常见软件操作的重要性。