机器学习：模型评估报错，ValueError: continuous is not supported，加利福尼亚--机器学习-房价预测

美国房产篇|加利福尼亚房地产市场报告及未来预测 

       随着动荡和贸易的不确定性，美国的房地产市场整体波动还是比较大的。但是，对拥有着可以媲美世界第五大经济体实力的加利福尼亚州来说，房地产市场的整体发展趋势还是比较稳定的。由于房地产市场的不稳定性，许多人在投资房产前期需要花费大量时间和精力去考察市场的整体表现。本文主要总结了加利福尼亚房地产市场的总体表现，以及对未来市场前景的预测，来让您更好的了解加州的房地产行业的整体发展。

· 加利福尼亚州目前的整体房价如何？

· 加利福尼亚州住房市场最新预测

· 加州房地产市场最新动态如何？

一、加利福尼亚州目前的整体房价如何

截止zillow目前最新的数据来看，加州目前的房屋价值中位数是548800美元，每平方英尺的中间标价是316美元。在过去一年中加州的房价上涨了3.2%，整体处于稳中向好的趋势发展。目前在加利福尼亚州上市的房屋的中间价为52.5万美元，而出售房屋的中间价为49.11万美元。与同期美国的整体数据比较来看，美国房屋价值中位数为226300美元，加州的房价是美国平均的倍数级水平。

分析2018年美国房地产行业整年数据，我们不难发现房地产行业的整体波动还是比较大的，上半年房产供不应求，“抢房潮”席卷全美，房价出现大幅度上涨。但在下半年，随着美联储的加息，让货币从市场中大量流失，导致美国房市由盛转衰。但是根据2018年胡润白皮书的数据显示，加州依旧是国内高净值人群的海外置业首选之地，同时在多方面因素的影响下，加州房产的价值依然在稳步上升，所以投资者对房产的需求增多，加州房产市场供需不平衡的现象进一步加剧，投资者很难找到足够需求的房产，加州的住房库存量在2018年再创新低，从图表来看，2019年有所回升。

二、加利福尼亚州住房市场最新预测

预测加州未来的房地产市场是一件很困难的事情，由于市场的不可调控性影响，所以地产君对于加州市场的预测主要从价格、销量、经济、政策四方面来展开，这样得出的预测数据将会更加准确。

从2月份的房屋和价格销售统计数据来看，加利福尼亚州房产经历了5个月来最大的增长，这与传统的向上推动相一致。但是，根据加州房产经纪人协会的最新房屋销售数据来看，独栋房屋的高价格让很多买家望而却步，他们担心加利福尼亚的房产市场可能已经见顶，不敢轻易入手房产。

销量

由于加州近几年房价的节节攀升，很多工薪阶层购房者缺乏可负担房屋的选择而离开自己居住的县市或者直接搬出加州。根据CAR最新的数据统计，28%的加州购房者在2018年迁出了加州，这也就直接导致房产的销量持续下降，如果2019年房屋价格和贷款利率依旧居高不下的话，人口外流状况也必将持续。

同时根据加州房产供不应求的状况来看，在接下来的十年里，加州需要建造数以百万计的公寓，以缓解永不满足的需求。

经济

美国加州经济在2月份结束的12个月内增长了4.7%，而全国增长率为2.8%。水星新闻报道认为未来六个月，该指数可能会以2.55%的速度增长，以全国1.59%的速度增长。根据经济增长的情况来看，加州的房地产市场还是会处于增长的状态。同时，加州的房地产投资也处于一种不稳定的状态，特别是在加州经济充满活力的当下，加州吸引了数百万新来者来这里生活和创业。尽管成本很高，但大多数科技初创公司还是在湾区上市。就业和工资增长，这给加州住房市场带来了压力，特别是圣若泽、旧金山、洛杉矶、奥克兰和圣地亚哥的城市都享有前所未有的增长。

政策

许多人可能会根据加州房屋销量的下降来武断地判定加州房产市场衰退甚至崩溃了，一些专家也认为，加州住房市场已经到顶了。但研究表明，加州房地产的总体发展趋势还是比较稳定的，特别是从经济、人口统计、买家需求这些数据来看。同时随着美联储利率的放松和特朗普关税的实施，加利福尼亚的企业在未来几年很可能会超速发展，而这也必将带动加州房产行业的发展。随着对利率的担忧消失，以及与中国的新贸易协定成功签订，任何负面的经济因素都可能消失。这将意味着整个州的物价再次快速上涨。

三、加州房地产市场最新动态如何

洛杉矶：洛杉矶的房价中位数是694200美元，每平方英尺的平均标价为523美元，在过去一年中上涨了4.5%，Zillow预计明年将上涨3.0%。

尔湾：尔湾的房屋价值中位数为862400美元，每平方英尺的平均标价为491美元，在过去的一年中上涨了1.8%，Zillow预测明年将上涨1.1%。

旧金山：旧金山房屋价值的中位数是1365700美元，每平方英尺的中位数为1062美元，在过去一年上涨了4.2%，ZiLoW预测明年的房价将上涨2.9%。

圣地亚哥：圣地亚哥的房价中位数是632000美元，每平方英尺的平均标价为469美元，在过去一年里上涨了2.3%，Zillow预计明年会上涨2.2%。

本次在做一个，美国加利福利亚的房价预测的时候，模型评估部分，报了一个错...

打印：accuracy_score，准确率评估时，报错，不支持连续值，

原因： 房价预测，这是一个回归问题，因此不能用准确率来衡量，

1、分类：连续值，可以用accuracy_score评估，

2、回归：可以用 r2_score来评估....

本次是房价的回归，因此可以用 r2_score，来评估，而不能用准确率评估，因为他是不连续的...

原来报错代码：

from sklearn import datasets
from sklearn.datasets import fetch_california_housing # 加利福利亚---房价数据...
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn import preprocessing
from sklearn import linear_model  # 线性模型：       1.回归、2.分类...
from sklearn import metrics
# 加载数据
california = fetch_california_housing()
# 划分数据集
data = california
x = data.data
y = data.target
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2)

# 数据预处理:            对训练集、进行标准化处理...
scaler = preprocessing.StandardScaler().fit(x)
x_train = scaler.transform(x_train)
x_test = scaler.transform(x_test)
# 创建线性模型：  线性回归
lm = linear_model.LinearRegression()
# 训练投喂数据、拟合数据
lm.fit(x_train, y_train)
# 预测：
pre = lm.predict(x_test)
#print(pre)
### 评估:             预测标签、真实标签，对比评估预测能力
accu= accuracy_score(y_test,pre)  # 准确度是分类问题，这是回归问题，用其他评估机制...
print(accu)

修改后的代码：

from sklearn import datasets
from sklearn.datasets import fetch_california_housing # 加利福利亚---房价数据...
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn import preprocessing
from sklearn import linear_model  # 线性模型：       1.回归、2.分类...
from sklearn import metrics
# 加载数据
california = fetch_california_housing()
# 划分数据集
data = california
x = data.data
y = data.target
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2)

# 数据预处理:            对训练集、进行标准化处理...
scaler = preprocessing.StandardScaler().fit(x)
x_train = scaler.transform(x_train)
x_test = scaler.transform(x_test)
# 创建线性模型：  线性回归
lm = linear_model.LinearRegression()
# 训练投喂数据、拟合数据
lm.fit(x_train, y_train)
# 预测：
pre = lm.predict(x_test)
#print(pre)
### 评估:             预测标签、真实标签，对比评估预测能力
#accu= accuracy_score(y_test,pre)  # 准确度是分类问题，这是回归问题，用其他评估机制...
#print(accu)
r2 = metrics.r2_score(y_test,pre)    ##### 修改处，换一个评估函数....
print(r2)