机器学习中房价预测案例

　　 　　  　　  　　步骤： 　　程序： 　　看看效果： 　　将预测值，与target进行对比，画图 　　我们来看下的线性回归是一条怎样的线（下图红色线）： 　　 　　  　　  　　 　　模型评价： 　　从肉眼上看，这条线性回归效果似乎并不太理想，我们用数据说话，计算下该模型的评分如何。我们一般用以下指标来衡量模型的好坏：R2（决定系数）、RMSE（均方根误差）、cv（K折交叉验证系数）。 　　 　　得分： 　　  　　线性预测： 　　R2分数越高，说明模型的准确率越高，低于50%的准确率，模型确实不太理想啊。但既然做出来了，我们用该模型预测下房价。 　　效果： 　　图： 　　 　　  　　  　　总结： 　　y = 1.94438675017008 * x + (-30.230797817428652) 　　  　　3.岭回归 　　线性回归呈现了房价与房屋面积的关系，但实际上，房价的影响因素可不止面积，还有卫生间数量和卧室数量，当然还有其他一些特征。我们本次用这3个特征进行岭回归预测。岭回归的公式： 　　 　　程序： 　　  　　效果： 　　  　　该模型计算得到的评分稍微要高一些： 　　上面可以看到是0.5 　　  　　图： 　　 　　  　　  　　 　　总结： 　　h = coef[0] * float(var1) + coef[1] * float(var2) + coef[2] * float(var3) + intercept 　　  　　4.Lasso回归 　　1）Lasso回归的公式： 　　 　　 　　  　　2）岭回归与Lasso回归的公式是相同的，Lasso回归与岭回归的区别在于： 　　Many small/medium sized effects: 使用（Ridge）岭回归 　　Only a few variables with medium/large effect: 使用Lasso回归 　　  　　3）岭回归也称为L2 正则化，Lasso回归也称为L1正则化 　　岭回归与Lasso回归最大的区别在于岭回归引入的是L2范数惩罚项，Lasso回归引入的是L1范数惩罚项，Lasso回归能够使得损失函数中的许多θ均变成0，这点要优于岭回归，因为岭回归是要所有的θ均存在的，这样计算量Lasso回归将远远小于岭回归。 　　 　　  　　  　　  　　程序： 　　  　　效果： 　　  　　5.多项式回归 　　多项式回归的公式： 　　  　　  　　后面继续挑战下，即使效果不好。 　　  　　https://blog.csdn.net/weixin_42341655/article/details/120299008?spm=1001.2014.3001.5501 　　https://blog.csdn.net/weixin_42341655/article/details/120340827