用线性回归对波士顿房价预测

from __future__ import print_function
from sklearn import datasets   #导入自带的数据库
from sklearn.linear_model import LinearRegression    #从线性模型中导入模块
import matplotlib.pyplot as plt

建立线性模型

loaded_data = datasets.load_boston()#从自带数据库中下载波士顿房价数据
data_X = loaded_data.data#加载房屋属性参数
data_y = loaded_data.target#加载房屋均价

model = LinearRegression()#线性回归模型

model.fit(data_X, data_y)#用模型拟合两个标签

print(model.predict(data_X[:4, :]))

[30.00384338 25.02556238 30.56759672 28.60703649]

输出可对数据集进行哪些操作

print(loaded_data.keys())

dict_keys([‘data’, ‘target’, ‘feature_names’, ‘DESCR’, ‘filename’])，即说明可用这些方法（数据、目标值、列标签、描述性统计、文件地址）查看数据集

loaded_data.feature_names #输出每一列的标签

array([‘CRIM’, ‘ZN’, ‘INDUS’, ‘CHAS’, ‘NOX’, ‘RM’, ‘AGE’, ‘DIS’, ‘RAD’,
‘TAX’, ‘PTRATIO’, ‘B’, ‘LSTAT’], dtype=’<U7’)

绘图<