sklearn 相关性分析_Boston House Dataset的Sklearn线性回归教程

Boston Housing数据集包含有关波士顿不同房屋的信息。该机器学习数据集中有506个样本和13个特征变量。目标是使用给定的特征预测房屋价格的价值。我们将从scikit-learn本身导入这个机器学习数据集。

让我们从导入一些Python库开始。

import numpy as npimport pandas as pd#Visualization Librariesimport seaborn as snsimport matplotlib.pyplot as plt#To plot the graph embedded in the notebook%matplotlib inline

现在我们需要从sklearn导入模块

#imports from sklearn libraryfrom sklearn import datasetsfrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_split, cross_val_scorefrom sklearn.metrics import mean_squared_error

从sklearn导入机器学习数据集

#loading the dataset direclty from sklearnboston = datasets.load_boston()

sklearn返回类似字典的对象，属性是：' data '，要学习的数据，' target '，回归目标，' DESCR '，数据集的完整描述，' filename'，波士顿的物理位置csv数据集。我们可以从以下操作中获得。

print(type(boston))print('')print(boston.keys())print('')print(boston.data.shape)print('')print(boston.feature_names)

如上所述，有4个键值['data'，'target'，'feature_names'，'DESCR']。数据有506行和13个特征变量。请注意，这不包括目标变量。此外，还提取列的名称。使用boston.DESCR` 可以看到有关机器学习数据集的特征和更多的详细信息

print(boston.DESCR)

机器学习数据集的描述

在应用任何EDA或机器学习模型之前，我们必须将其转换为panda dataframe，这可以通过调用boston.data上的dataframe来实现。我们还将目标变量从boston.target添加到dataframe，Python代码如下：

bos = pd.DataFrame(boston.data,