Python机器学习▶线性回归——基于sklearn建立房价预测模型！

爬遍天下无敌手

于 2020-06-02 15:15:29 发布

阅读量3.1k

点赞数 7

本文链接：https://blog.csdn.net/weixin_43881394/article/details/106496815

版权

该博客介绍了如何使用Python的sklearn库建立线性回归模型预测King County的房价。首先，对数据进行理解、准备和清洗，包括处理缺失值、重复值和异常值。接着，通过对因变量进行对数处理以符合正态分布，建立线性回归模型，并通过R^2评估模型性能。最后，使用模型对测试集进行预测并生成预测结果。

摘要由CSDN通过智能技术生成

1. 数据理解

此次建模预测的数据集来源于Data Castle上的“美国King County房价预测训练赛”，链接如下：

数据特征描述如下：

测试集主要包括3000条记录，13个字段，跟训练集的不同是测试集并不包括房屋销售价格，通过由训练集所建立的模型以及所给的测试集，得出测试集相应的房屋销售价格预测值。

2.数据准备

环境：win7+Anaconda+Jupyter notebook

导入数据

import pandas as pd
import numpy as np

#导入训练集
train=pd.read_csv(r"F:\Sets\KingCounty\train.csv")
train.head()

发现第一条记录变成了列名，下面进行调整：

#给训练集的列进行赋名
trainNames = ["salesTime","salePrice","bedroomsNum","bathroomNum","housingArea",
              "parkingArea","floorsNum","housingScore","coveredArea",
              "basementArea","buildingTime","repairYear","latitude","longitude"]
train=pd.read_csv(r"F:\Sets\KingCounty\train.csv",names=trainNames)
train.head()