9.房价预测的可视化线性模型

1.数据：

依旧使用经典的房价预测数据集。

2.sklearn中的线型回归：

回归线参数：

• LinearRegression()
• coef_:权重
• intercept_:偏置项
• 回归线：y = x*coef_ + intercept_

3.代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt


data_file = './data/house_data.csv'

# 使用的特征列
FEAT_COLS = ['bedrooms', 'bathrooms', 'sqft_living', 'sqft_lot', 'sqft_above', 'sqft_basement']


def plot_fitting_line(linear_model,X,y,feat):
	"""
		绘制线性回归线
	"""
	plt.figure()
	# 绘制样本店
	plt.scatter(X,y,alpha=0.5)

	# 获取权重和偏置项
	w = linear_model.coef_
	b = linear_model.intercept_
	# 绘制拟合线
	plt.plot(X,w*X+b,c='red')
	plt.title(feat)
	plt.show()


def main():
	"""
		主函数
	"""
	# 读取数据
	house_data = pd.read_csv(data_file,usecols=FEAT_COLS + ['price'])

	for feat in FEAT_COLS:
		# 获取数据集特征
		X = house_data[feat].values.reshape(-1,1)
		# 获取数据标签
		y = house_data['price'].values

		# 划分数据集
		X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=1/3,random_state=10)
		# 建立线性回归模型
		linear_model = LinearRegression()
		# 训练模型
		linear_model.fit(X_train,y_train)
		# 评价模型
		r2 = linear_model.score(X_test,y_test)
		print('特征为{}时，模型的R2值为{}'.format(feat,r2))

		# 绘制拟合直线
		plot_fitting_line(linear_model,X_train,y_train,feat)


if __name__ == '__main__':
    main()

4.输出结果：

特征为bedrooms时，模型的R2值为0.09258779614933532
特征为bathrooms时，模型的R2值为0.2704350160884538
特征为sqft_living时，模型的R2值为0.49617378557685365
特征为sqft_lot时，模型的R2值为0.006598795645454514
特征为sqft_above时，模型的R2值为0.35340999022703223
特征为sqft_basement时，模型的R2值为0.11806711865379671