机器学习线性回归——房价预测问题（California housing）

　　一个地区的房价与该地区的地理位置、人口数、居民收入等诸多特征有着密切的关系。房价预测问题是要根据给定小区的特征预测该小区房价的中位数，这是一个经典的回归问题。在sklearn工具库中集成了房价预测问题的数据california_housing，可以直接用。california_housing数据集中的每条数据都包含9个变量：人均收入(MedInc)、房龄(HouseAge)、房间数(AveRooms)、卧室数(AveBedrooms)、小区人口数(Population)、房屋居住人数(AveOccup)、小区经度(Longitude)、小区纬度(Latitude)和房价中位数(Median_house_value)。其中，房价中位数是标签，其余的8个变量均为特征。 　　california_housing数据采样： 　　序号MedIncHouseAgeAveRoomsAveBedroomsPopulationAveOccupLatitudeLongitudeMedian_house_value14.5625464.81.02187283337.97-122.59275200210.7326118.51.1194764137.30-122.0650000132.3159134.11.043094109133.16-117.209160041.6352465.41.187134739.51-121.565310055.8491366.61.04191163133.79-118.09247300 　　显然，可以将房价预测问题看作一个线性回归问题，并尝试用线性回归算法求解。建立房价预测的模型。 　　结果： 　　从决定系数大于50%来看，模型的拟合效果比较理想。