基于scikit-learn的房價回歸分析

秦培煜 胡艷芬

1.武漢軟件工程職業學院； 2.中國地質大學（武漢）

隨著大數據和人工智能時代的到來，機器學習應用的場景越來越多。機器學習分為監督學習和無監督學習，回歸屬于監督學習范疇[1]。本文對scikit-learn自帶的房價數據進行了回歸分析。

一、回歸分析過程

（一）房價數據加載

數據使用scikit-learn自帶的boston房價數據，使用load_boston函數加載。

import numpy as np

from sklearn.datasets import load_boston

house = load_boston()

首先導入numpy和sklearn.datasets中load_boston函數，使用 load_boston加載boston房價數據，其中house.data是特征數據，house.target是標簽數據。

（二）數據標準化

from sklearn.preprocessing import StandardScaler

stdHouse = StandardScaler().fit_transform(house.data)

特征數據中有些特征量綱比較大，有些特征量綱比較小，如果放在一起使用，會對最終分析結果產生不好影響。這里使用sklearn.preprocessing里的StandardScaler對房價數據進行標準化。house是標準化前的數據，stdHouse是標準化后的數據。

（三）數據劃分

from sklearn.model_selection import train_test_split

data_train,data_test,target_train,target_test = train_test_split(stdHouse,house.target,random_state=100)

這里使用sklearn.model_selection里train_test_split對數據進行劃分。默認數據的75%劃分為訓練集，25%劃分為測試集。

（四）回歸模型選用

from sklearn.linear_model import LinearRegression

linReg = LinearRegression().fit(data_train,target_train)

pred = linReg.predict(data_test)

使用sklearn.linear_model里的LinearRegression模型對數據進行訓練和預測。得到的pred是預測數據。

（五）均方誤差評價指標

from sklearn.metrics import mean_squared_error

mean_squared_error(target_test,pred)

mean_squared_error是均方誤差指標，最后得到真實值target_test和預測值之間的均方誤差為27.18。

二、結論

本文用scikit-learn,對boston房價數據進行了回歸分析。首先加載房價數據；其次對數據進行標準化；然后將數據劃分成訓練集和測試集，并用線性回歸模型對訓練集進行訓練，對測試集進行預測；最后用均方誤差指標對真實值和預測值進行評價。整個過程對于回歸分析有著重要的指導作用。