机器学习导入波斯顿房价数据集的三种方法

### 使用机器学习进行线性回归预测波士顿房价 以下是基于 `scikit-learn` 的 Python 示例代码，用于通过线性回归模型预测波士顿房价。此代码涵盖了完整的机器学习流程，包括数据加载、预处理、建模以及评估。 #### 导入必要的库 ```python import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score ``` #### 加载并探索数据集 波士顿房价数据集可以通过 `sklearn.datasets.load_boston()` 函数获取[^1]。然而需要注意的是，在较新的版本中该函数可能已被移除或替换为其他形式。因此可以考虑手动下载数据或者使用替代方法。 ```python boston = datasets.load_boston() # 如果不可用，请查阅官方文档更新方式 X = boston.data y = boston.target print(f"Features: {boston.feature_names}") ``` #### 划分训练集与测试集 为了验证模型性能，通常会将数据划分为训练集和测试集两部分。 ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` #### 构建线性回归模型 利用 `LinearRegression` 类创建一个简单的线性回归模型实例，并对其进行拟合操作。 ```python model = LinearRegression() model.fit(X_train, y_train) ``` #### 进行预测 完成模型训练之后即可针对未知样本执行预测任务。 ```python predictions = model.predict(X_test) ``` #### 性能评价指标计算 采用均方误差 (MSE) 和决定系数 \(R^2\) 来衡量模型的表现情况。 ```python mse = mean_squared_error(y_test, predictions) r2 = r2_score(y_test, predictions) print(f"Mean Squared Error: {mse:.2f}") print(f"R-squared Value: {r2:.2f}") ``` 以上即是一个典型的运用线性回归解决波士顿房价预测问题的过程概述及其对应实现脚本[^2]。