scikit-learn线性回归实践 - 波斯顿房价预测

任务描述

本关任务：你需要调用 sklearn 中的线性回归模型，并通过波斯顿房价数据集中房价的13种属性与目标房价对线性回归模型进行训练。我们会调用你训练好的线性回归模型，来对房价进行预测。

相关知识

为了完成本关任务，你需要掌握：1.LinearRegression。

数据集介绍

波斯顿房价数据集共有506条波斯顿房价的数据，每条数据包括对指定房屋的13项数值型特征和目标房价组成。用数据集的80%作为训练集，数据集的20%作为测试集，训练集和测试集中都包括特征和目标房价。 想要使用该数据集可以使用如下代码：

1. import pandas as pd
2. #获取训练数据
3. train_data = pd.read_csv('./step3/train_data.csv')
4. #获取训练标签
5. train_label = pd.read_csv('./step3/train_label.csv')
6. train_label = train_label['target']
7. #获取测试数据
8. test_data = pd.read_csv('./step3/test_data.csv')

 

LinearRegression

LinearRegression的构造函数中有两个常用的参数可以设置：

• fit_intercept：是否有截据，如果没有则直线过原点，默认为Ture。
• normalize：是否将数据归一化,默认为False。

LinearRegression类中的fit函数用于训练模型，fit函数有两个向量输入：

• X：大小为**[样本数量,特征数量]**的ndarray，存放训练样本
• Y：值为整型，大小为**[样本数量]**的ndarray，存放训练样本的标签值

LinearRegression类中的predict函数用于预测，返回预测值，predict函数有一个向量输入：

• X：大小为**[样本数量,特征数量]**的ndarray，存放预测样本

LinearRegression的使用代码如下：

1. lr = LinearRegression()
2. lr.fit(X_train, Y_train)
3. predict = lr.predict(X_test)

编程要求

使用sklearn构建线性回归模型，利用训练集数据与训练标签对模型进行训练，然后使用训练好的模型对测试集数据进行预测，并将预测结果保存到./step3/result.csv中。保存格式如下：

测试说明

我们会获取你的预测结果与真实标签对比，R2指标高于0.6视为过关。

#encoding=utf8
#********* Begin *********#
import pandas as pd
from sklearn.linear_model import LinearRegression
#获取训练数据
train_data = pd.read_csv('./step3/train_data.csv')
#获取训练标签
train_label = pd.read_csv('./step3/train_label.csv')
train_label = train_label['target']
#获取测试数据
test_data = pd.read_csv('./step3/test_data.csv')
lr = LinearRegression()
#训练模型
lr.fit(train_data,train_label)
#获取预测标签
predict = lr.predict(test_data)
#将预测标签写入csv
df = pd.DataFrame({'result':predict}) 
df.to_csv('./step3/result.csv', index=False)
#********* End *********#