python 作業（回歸模型與房價預測）

1. 導入boston房價數據集

2. 一元線性回歸模型，建立一個變量與房價之間的預測模型，並圖形化顯示。

3. 多元線性回歸模型，建立13個變量與房價之間的預測模型，並檢測模型好壞，並圖形化顯示檢查結果。

4.  一元多項式回歸模型，建立一個變量與房價之間的預測模型，並圖形化顯示。

 

from sklearn.datasets import load_boston
import numpy as np

boston = load_boston()
boston.keys()
boston.target
import pandas as pd

df = pd.DataFrame(boston.data)
df
x = boston.data[:, 5]  # 變量
y = boston.target  # 房價
from sklearn.linear_model import LinearRegression

lineR = LinearRegression()
lineR.fit(x.reshape(-1, 1), y)
w = lineR.coef_  # x前的系數
b = lineR.intercept_  # 截距
print(w)
print(b)

from matplotlib import pyplot as plt


plt.figure(figsize=(10, 6))
plt.scatter(x, y)
plt.plot(x, 9.1 * x - 34.6, 'r')
plt.show()

　　

from sklearn.linear_model import LinearRegression
lineR = LinearRegression()
lineR.fit(boston.data,y)
w = lineR.coef_
b = lineR.intercept_
print(w)
print(b)
from sklearn.linear_model import LinearRegression

lineR = LinearRegression()
lineR.fit(x, y)
y_pred = lineR.predict(x)
plt.plot(x, y_pred)
print(lineR.coef_, lineR.intercept_)
plt.show()

from sklearn.preprocessing import PolynomialFeatures

poly = PolynomialFeatures(degree=2)
x_poly = poly.fit_transform(x)

lrp = LinearRegression()
lrp.fit(x_poly, y)
y_poly_pred = lrp.predict(x_poly)
plt.scatter(x, y)
plt.scatter(x, y_pred)
plt.scatter(x, y_poly_pred)
plt.show()