【scikit-learn】sklearn.datasets.fetch_california_housing() 函数：加州房价预测数据， 回归任务

sklearn.datasets.fetch_california_housing()

fetch_california_housing() 是 sklearn.datasets 提供的 加州房价预测数据集，用于 回归任务，适用于 机器学习算法测试和特征工程研究。

---

1. fetch_california_housing() 数据集简介

属性	说明
样本数	20640
特征数	8（人口、房间数、房屋年龄等）
任务类型	回归问题（预测房价）
目标值	房价中位数（单位：万美元）

---

2. fetch_california_housing() 代码示例

(1) 加载数据集

from sklearn.datasets import fetch_california_housing

# 加载数据
housing = fetch_california_housing()

# 获取特征矩阵和目标变量
X, y = housing.data, housing.target

print("特征矩阵形状:", X.shape)
print("目标变量形状:", y.shape)
print("特征名称:", housing.feature_names)

输出

特征矩阵形状: (20640, 8)
目标变量形状: (20640,)
特征名称: ['MedInc', 'HouseAge', 'AveRooms', 'AveBedrms', 'Population', 'AveOccup', 'Latitude', 'Longitude']

解释

• X.shape = (20640, 8)：20640 个样本，每个样本 8 个特征。
• y.shape = (20640,)：20640 个目标值（房价）。
• feature_names：包含 收入 (MedInc)、房龄 (HouseAge)、人口 (Population) 等 8 个特征。

---

(2) 数据集格式

print(type(housing))

输出

<class 'sklearn.utils._bunch.Bunch'>

解释

• fetch_california_housing() 返回的是 Bunch 对象，类似于字典，可通过 .data、.target、.feature_names 访问数据。

---

(3) 转换为 Pandas DataFrame

import pandas as pd

# 转换为 DataFrame
df = pd.DataFrame(housing.data, columns=housing.feature_names)
df["target"] = housing.target  # 添加目标变量（房价）

print(df.head())

输出

   MedInc  HouseAge  AveRooms  AveBedrms  Population  AveOccup  Latitude  Longitude  target
0  8.3252      41.0  6.984127  1.023810      322.0  2.555556     37.88   -122.23   4.526
1  8.3014      21.0  6.238137  0.971880      240.0  2.109842     37.86   -122.22   3.585
2  7.2574      52.0  8.288136  1.073446      496.0  2.802260     37.85   -122.24   3.521
3  5.6431      52.0  5.817352  1.073059      558.0  2.547945     37.85   -122.25   3.413
4  3.8462      52.0  6.281853  1.081081      565.0  2.181467     37.85   -122.25   3.422

解释

• 数据已经标准化，单位仍然是可解释的真实值。
• 目标值 (target) 是房价中位数，单位是万美元。

---

3. fetch_california_housing() 数据分析

(1) 目标值分布

import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(df["target"], bins=30, kde=True)
plt.title("加州房价分布")
plt.show()

解释

• 查看房价的分布情况，判断是否需要归一化。

---

(2) 特征相关性

import numpy as np
import seaborn as sns

# 计算相关性
corr_matrix = df.corr()

# 可视化
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, annot=True, cmap="coolwarm")
plt.title("特征相关性热图")
plt.show()

解释

• 观察特征与目标变量的相关性，决定是否进行特征选择。

---

4. 适用场景

• 回归任务（预测房价）。
• 特征工程与数据可视化（数据已标准化）。
• 机器学习算法测试（如 线性回归、随机森林、XGBoost）。

---

5. fetch_california_housing() vs. 其他数据集

数据集	任务类型	样本数	特征数	适用场景
load_iris()	多分类	150	4	经典分类问题
load_wine()	多分类	178	13	葡萄酒分类
load_digits()	多分类	1797	64	手写数字识别
load_diabetes()	回归	442	10	糖尿病预测
fetch_california_housing()	回归	20640	8	房价预测

---

6. 结论

• fetch_california_housing() 提供了 20640 个样本，用于回归任务，适用于 房价预测、特征工程研究。
• 数据 未经归一化，单位仍然可解释，适用于 真实世界的回归问题。