波士顿房价预测

波士顿房价数据集介绍
波士顿房价数据说明：此数据源于美国某经济学杂志上，分析研究波士顿房价( Boston HousePrice)的数据集。数据集中的每一行数据都是对波士顿周边或城镇房价的情况描述。本问题是一个回归问题。每个类的观察值数量是均等的，共有 506 个观察，13 个输入变量和1个输出变量。
数据特征：

CRIM: 城镇人均犯罪率
ZN: 住宅用地所占比例
INDUS: 城镇中非住宅用地所占比例
CHAS: 虚拟变量,用于回归分析
NOX: 环保指数
RM: 每栋住宅的房间数
AGE: 1940 年以前建成的自住单位的比例
DIS: 距离 5 个波士顿的就业中心的加权距离
RAD: 距离高速公路的便利指数
TAX: 每一万美元的不动产税率
PTRATIO: 城镇中的教师学生比例
B: 城镇中的黑人比例
LSTAT: 地区中有多少房东属于低收入人群
MEDV: 自住房屋房价中位数（也就是均价）

一、加载需要的包

from sklearn.datasets import load_bostonimport matplotlib.pyplot as pltimport numpy as np

二、数据预处理

（1）读入数据和观察数据看看是否需要进行数据预处理。如是否需要 1. 去除唯一属性；2. 处理缺失值；3. 特征编码；4. 数据标准化、正则化； 5. 特征选择（降维）

dataset = load_boston()x_data = dataset.datay_data = dataset.targetname_data =dataset.feature_namesprint(name_data)

输出结果：
[‘CRIM’ ‘ZN’ ‘INDUS’ ‘CHAS’ ‘NOX’ ‘RM’ ‘AGE’ ‘DIS’ ‘RAD’ ‘TAX’ ‘PTRATIO’
‘B’ ‘LSTAT’]
（2）特征工程-可视化各个特征与房价的关系

for i in range(13):    plt.subplot(7,2,i 1) #7行2列第i 1个图    plt.scatter(x_data[:,i],y_data,s=10)  #横纵坐标和点的大小    plt.title(name_data[i])    plt.show()    print(name_data[i],np.corrcoef(x_data[:i]),y_data)    #打印刻画每个维度特征与房价相关性的协方差矩阵

产生如图所示的结果

查看房价数据分布，发现有一部分数据等于50，视为异常数据

for i in range(len(y_data)):       plt.scatter(i,y_data[i],s=10)  #横纵坐标和点的大小

（3）、特征工程-处理数据基于散点图，分析因变量与自变量的相关性，把不相关的数据剔除。经过上面散点图的分析，可以看到数据异常的变量需要特殊处理，根据散点图分析，房屋的’RM（每栋住宅的房间数）’，‘LSTAT（地区中有多少房东属于低收入人群）’，'PTRATIO(城镇中的教师学生比例）’特征与房价的相关性最大，所以，将其余不相关特征剔除。

i_=[]for i in range(len(y_data)):    if y_data[i] == 50:        i_.append(i)#存储房价等于50 的异常值下标x_data = np.delete(x_data,i_,axis=0)                #删除样本异常值数据y_data = np.delete(y_data,i_,axis=0)                #删除标签异常值name_data = dataset.feature_namesj_=[]for i in range(13):    if name_data[i] =='RW'or name_data[i] == 'PTRATIO'or name_data[i] == 'LSTAT'                                               : #提取'RM'、'PTRATIO'、'LSTAT'三个主要特征        continue    j_.append(i)#存储其他次要特征下标x_data = np.delete(x_data,j_,axis=1)#在总特征中删除次要特征print(np.shape(y_data))print(np.shape(x_data))for i in range(len(y_data)):       plt.scatter(i,y_data[i],s=10)

（4）、数据分割：数据分割为训练集和测试集

from sklearn.model_selection import train_test_splitX_train,X_test,y_train,y_test =train_test_split(x_data,y_data,random_state = 0,test_size = 0.20)print(len(X_train))print(len(X_test))print(len(y_train))print(len(y_test))

输出结果：
392
98
392
98

(5)、数据归一化

from sklearn import preprocessingmin_max_scaler = preprocessing.MinMaxScaler()X_train = min_max_scaler.fit_transform(X_train)X_test = min_max_scaler.fit_transform(X_test)#标签归一化的目的是什么呢，实验证明，归一化之后结果好了0.1左右y_train = min_max_scaler.fit_transform(y_train.reshape(-1,1)) #转化为任意行一列y_test = min_max_scaler.fit_transform(y_test.reshape(-1,1)) #转化为一列

三、模型训练

越接近1效果越好，为0表示与取均值接近，为负则表示连平均值都不如

1.线性回归

from sklearn import linear_model#请完成线性回归的代码，生成lr_y_predict作为测试集的预测结果lr = linear_model.LinearRegression() #选择线性回归模型lr.fit(X_train,y_train) #模型的训练lr_y_predict = lr.predict(X_test) #预测数据from sklearn.metrics import r2_scorescore_lr = r2_score(y_test,lr_y_predict)score_lr

其中lr_y_predict为预测出的结果，score_lr表示的为使用测试数据查看该模型训练是否较好
结果：0.6439270371515048
2.岭回归

#请完成岭回归的代码，并设置适当的alpha参数值rr=linear_model.Ridge() #选择模型岭回归rr.fit(X_train,y_train) #模型的训练rr_y_predict=rr.predict(X_test)score_rr = r2_score(y_test,rr_y_predict)score_rr

结果：0.6393923188987708
3.lasso

lassr = linear_model.Lasso(alpha=.0001)lassr.fit(X_train,y_train)lassr_y_predict=lassr.predict(X_test)score_lassr = r2_score(y_test,lassr_y_predict)print(score_lassr)

4.SVR

from sklearn.svm import SVRsvr_rbf = SVR(kernel='rbf', C=100, gamma=0.1, epsilon=.1) #高斯核svr_lin = SVR(kernel='linear', C=100, gamma='auto') #线性核svr_poly = SVR(kernel='poly', C=100, gamma='auto', degree=3, epsilon=.1,               coef0=1) #径向基核函数svr_rbf_y_predict=svr_rbf.fit(X_train, y_train).predict(X_test)score_svr_rbf = r2_score(y_test,svr_rbf_y_predict)  svr_lin_y_predict=svr_lin.fit(X_train, y_train).predict(X_test)score_svr_lin = r2_score(y_test,svr_lin_y_predict)   svr_poly_y_predict=svr_poly.fit(X_train, y_train).predict(X_test)score_svr_poly = r2_score(y_test,svr_poly_y_predict)

#绘制真实值和预测值对比图def draw_infer_result(groud_truths,infer_results):    title='Boston'    plt.title(title, fontsize=24)    x = np.arange(-0.2,2)     y = x    plt.plot(x, y)    plt.xlabel('ground truth', fontsize=14)    plt.ylabel('infer result', fontsize=14)    plt.scatter(groud_truths, infer_results,color='green',label='training cost')     plt.grid()    plt.show()

draw_infer_result(y_test,lr_y_predict)draw_infer_result(y_test,rr_y_predict)draw_infer_result(y_test,lassr_y_predict)draw_infer_result(y_test,svr_rbf_y_predict)draw_infer_result(y_test,svr_lin_y_predict)draw_infer_result(y_test,svr_poly_y_predict)print("score of lr:",score_lr)print("score of rr:",score_rr)print("score of lassr:",score_lassr)print("score of svr_rbf:",score_svr_rbf)print("score of svr_lin:",score_svr_lin)print("score of svr_poly:",score_svr_poly)

可以看出效果并不是特别的好。

来源：https://www.icode9.com/content-4-773401.html

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。