python多元线性回归--波士顿房价预测

数据集：http://lib.stat.cmu.edu/datasets/boston

访问这个网页可以看到里面有对每个数据集的介绍，特征(506行，13列)，最后一列是房价

1：数据集导入，导包

from sklearn.datasets import load_boston
from sklearn.linear_model import  LinearRegression   # 导入线性回归类
from sklearn.model_selection import train_test_split # 数据集的划分

在python这边导的包数据是特征和结果分开的

2：获取数据

#获取数据
boston = load_boston()
print(boston)
# 目标值  特征值
print(boston.data.shape)  # 特征(506行，13列)
x,y = boston.data,boston.target #分别获取特征值和目标值

3：对数据集进行划分

# 3. 数据集划分 ( 训练集 + 测试集)
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size= 0.2,random_state=22)   # random_state 随机种子

4：模型建立，评估

# 4. 模型建立
lr = LinearRegression()
# 用回归对象训练模型 --- y = wx+b  ---》 得到w和b的值
lr.fit(x_train,y_train)
print("权重w:\n",lr.coef_)
print('截距b:\n',lr.intercept_)
# 5. 预测
y_pre = lr.predict(x_test)
print("真实值:\n",y_test)
print("预测值:\n",y_pre)

# 6.评估(数据预测的相关性)
print("测试集评估:\n",lr.score(x_test,y_test))

运行结果：

我们可以使用上一篇文章的绘图进行画图，评估出来的测试集结果为 0.7657465943591131