波士顿房价的预测（使用knn算法）

• CRIM: 城镇人均犯罪率（%）

• ZN: 住宅用地所占比例（%）

• INDUS: 城镇中非住宅用地所占比例（%）

• CHAS: 0-1分类变量，是否靠近Charles River，靠近1，否则0

• NOX: 一氧化氮指数

• RM: 每栋住宅的房间数

• AGE: 1940 年以前建成的自住单位的比例（%）

• DIS: 距离 5 个波士顿的就业中心的加权距离

• RAD: 距离高速公路的便利指数

• TAX: 每一万美元的不动产税率（%）

• PTRATIO: 城镇中的教师学生比例（%）

• B: 关于黑人比例的一个参数（%）

• LSTAT: 地区中有多少房东属于低收入人群（%）

• MEDV: 自住房屋房价中位数（也就是均价,单位千美元)

代码展示
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.metrics import mean_squared_error
from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import train_test_split
data = pd.read_csv(r"C:\Users\Lenovo\Desktop\boston_train.csv")
x_data =data.iloc[:,:-1]  # 导入所有特征变量
y_data = data.iloc[:,-1] # 导入目标值（房价）
# print(x_data)
# print(y_data)

#选择与房价最相关的三个变量，不
from sklearn.feature_selection import SelectKBest,f_regression
selector=SelectKBest(f_regression,k=3)
x_new=selector.fit_transform(x_data,y_data)

a=selector.get_support(indices=True).tolist()
print(a)#三种最相关的属性是indus rm  lstat

x_train1,x_test1,y_train1,y_test1=train_test_split(x_new,y_data,test_size=0.2)
print(x_train1.shape)#划分训练集测试集

#归一化
from sklearn.preprocessing import StandardScaler
scaler=StandardScaler()#用于计算训练数据的均值和方差
scaler.fit(x_train1)
x_train1_std=scaler.transform(x_train1)
x_test1_std=scaler.transform(x_test1)

knn_r=KNeighborsRegressor(n_neighbors=5)
knn_r.fit(x_train1_std,y_train1)#训练模型
accuracy1=knn_r.score(x_test1_std,y_test1)#模型精确度
print(accuracy1)
准确度：

y_pre=knn_r.predict(x_test1_std)#根据测试集预测房价

list_1=[i for i in range(0,y_test1.shape[0])]#x轴样本标号

plt.plot(list_1,y_test1,color="green",linestyle="dashed",markerfacecolor='black',markersize=10, label='True')
plt.plot(list_1,y_pre,color="red",linestyle="dashed",markerfacecolor='blue',markersize=10, label='Knn')
plt.xlabel('sample')
plt.ylabel('price')
plt.legend()
plt.show()

right=[]
for i in range(1,30):
    knn_r=KNeighborsRegressor(n_neighbors=i)
    knn_r.fit(x_train1_std,y_train1)
    accuracy1=knn_r.score(x_test1_std,y_test1)
    right.append(accuracy1)

plt.plot(range(1,30),right,color="black",linestyle="dashed",markerfacecolor='red',markersize=10)
plt.xlabel('K Value')
plt.ylabel('Accuracy')
plt.show()#绘不同k值制准确度