Python回归预测建模实战-决策回归树预测房价（附源码和实现效果）

机器学习在预测方面的应用，根据预测值变量的类型可以分为分类问题（预测值是离散型）和回归问题（预测值是连续型），前面我们介绍了机器学习建模处理了分类问题（具体见之前的文章），接下来我们以波斯顿房价数据集为例，做一个回归预测系列的建模文章。

实现功能：

使用sklearn提供的决策树（DecisionTreeRegressor）的API对波士顿房价数据集进行预测，并尝试将预测结果进行分析。

实现代码：

from sklearn.tree import DecisionTreeRegressor
from sklearn.datasets import load_boston
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 加载数据集
boston=load_boston()
df=pd.DataFrame(boston.data,columns=boston.feature_names)
df['target']=boston.target
#查看数据项
features=df[boston.feature_names]
target=df['target']

#数据集划分
split_num=int(len(features)*0.8)
X_train=features[:split_num]
Y_train=target[:split_num]
X_test=features[split_num:]
Y_test=target[split_num:]

# 决策树建模预测
regressor = DecisionTreeRegressor(random_state=0).fit(X_train,Y_train)
y_pred=regressor.predict(X_test)

# 可视化部分
sns.set(font_scale=1.2)
plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False
plt.rc('font',size=14)

plt.plot(list(range(0,len(X_test))),Y_test,marker='o')
plt.plot(list(range(0,len(X_test))),y_pred,marker='*')
plt.legend(['真实值','预测值'])
plt.title('Boston房价决策回归树预测值与真实值的对比')
plt.show()

实现效果：

本人读研期间发表5篇SCI数据挖掘相关论文，会不定期分享一些关于python机器学习、深度学习、数据挖掘基础知识与案例，致力于以最简单的方式理解和学习它们，欢迎关注一起交流讨论。

关注本订阅号（数据杂坛）即可在后台联系我获取相关数据集和源码，送有关数据分析、数据挖掘、机器学习、深度学习相关的电子书籍。