Python建立线性回归模型进行房价预测

• 前期准备
• 多因子房价预测
• • 实战流程
  • • 1.数据加载
    • 2.数据可视化
    • 3.数据预处理
    • 4.模型建立与训练
    • 5.模型预测
    • 6.模型评估
    • 7.房价预测
  • 数据与代码

前期准备

本文使用Jupyter-notebook作为集成开发环境，使用Scikit-learn库搭建线性回归模型进行房价预测，Scikit–learn具有三大优点：

• 丰富的算法模块
• 易于安装和使用
• 样例丰富教程文档详细

官网：https://scikit-learn.org/stable/index.html

多因子房价预测

基于task2_data.csv数据，建立多因子线性回归模型

1. 以面积、人均收入、平均房龄为输入变量，建立多因子模型，评估模型表现
2. 预测面积=150, 人均收入=60000, 平均房龄=5的合理房价

实战流程

1. 数据加载与可视化
2. 数据预处理
3. 建立单因子线性回归模型，训练模型
4. 评估模型表现，可视化线性回归预测结果

流程图为：

1.数据加载

首先加载task2_data.csv数据并展示部分数据，代码如下：

#数据加载
import pandas as pd
import numpy as np
data = pd.read_csv('task2_data.csv')
data.head(10)

2.数据可视化

对数据进行可视化代码如下：

from matplotlib import pyplot as plt
fig = plt.figure(figsize=(20,5))
fig1 = plt.subplot(131)
plt.scatter(data.loc[:,'面积'],data.loc[:,'价格'])
plt.title('Price VS Size')

fig2 = plt.subplot(132)
plt.scatter(data.loc[:,'人均收入'],data.loc[:,'价格'])
plt.title('Price VS Income')

fig3 = plt.subplot(133)
plt.scatter(data.loc[:,'平均房龄'],data.loc[:,'价格'])
plt.title('Price VS House_age')
plt.show()

面积与价格、人均收入与价格、平均房龄与价格散点图如下：

3.数据预处理

将上述加载的数据转化为numpy格式

#X y再次赋值
X = data.drop(['价格'],axis=1)
y = data.loc[:,'价格']
X.head()

#数据预处理
X = np.array(X)
y = np.array(y)
y = y.reshape(-1,1)
print(X.shape,y.shape)

4.模型建立与训练

建立多因子回归模型 并且训练

#建立多因子回归模型 并且训练
from sklearn.linear_model import LinearRegression
model_multi = LinearRegression()
model_multi.fit(X,y)

5.模型预测

进行多因子模型的预测

#多因子模型的预测
y_predict_multi = model_multi.predict(X)
print(y_predict_multi)

6.模型评估

通过计算模型准确率与r2_score对模型进行评估

from sklearn.metrics import mean_squared_error,r2_score
MSE_multi = mean_squared_error(y,y_predict_multi)
R2_multi = r2_score(y,y_predict_multi)
print(MSE_multi)
print(R2_multi)

7.房价预测

最后预测面积=150, 人均收入=60000, 平均房龄=5的合理房价

#预测面积=150, 人均收入=60000, 平均房龄=5的合理房价
X_test = np.array([[150,60000,5]])
y_test_predict = model_multi.predict(X_test)
print(y_test_predict)

数据与代码

房价数据与完整代码github地址:https://github.com/15009824714/House-price-forecast