实战机器学习多元线性回归模型

导语： 现在大多数人入门机器学习的第一个案例是多元线性回归模型，其中多元共线性这个问题将贯穿所有的机器学习模型。这里选用的经典房价预测用到的精度优化方法效果拔群，能提供比较好的参考价值，将会带大家讲解如何更好构建和优化多元线性回归模型。

研究方向： 机器学习，多元线性回归模型，Python

数据探索

本文的数据集是经过清洗的美国某地区的房价数据集

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('house_prices.csv')
df.info();df.head()

参数说明：

• neighborhood/area:所属街区和面积
• bedrooms/bathrooms:卧室和浴室
• style:房屋样式

多元线性回归建模

现在我们直接构建多元线性回归模型

from statsmodels.formula.api import ols
                      # 小写的 ols 函数才会自带截距项，OLS 则不会
         # 固定格式：因变量 ~ 自变量(+ 号连接)
lm = ols('price ~ area + bedrooms + bathrooms', data=df).fit()
lm.summary()

红框为我们关注的结果值，其中截距项 Intercept 的 P 值没有意义，可以不用管它