版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Albert201605/article/details/81983798
假设房价只有面积一个影响因素，根据下列数据集建立线性回归模型，并预测面积为700平方英尺的房子价格。
| No |
square_feet |
price |
| 1 |
150 |
6450 |
| 2 |
200 |
7450 |
| 3 |
250 |
8450 |
| 4 |
300 |
9450 |
| 5 |
350 |
11450 |
| 6 |
400 |
15450 |
| 7 |
600 |
18450 |
由sklearn库实现，将数据表存为csv格式，命名为house_price.csv，同程序文件放在同一目录下。
#!/usr/bin/python
# coding:utf-8
# python一元回归分析实例：预测房子价格
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import LinearRegression
# 从csv文件中读取数据，分别为：X列表和对应的Y列表
def get_data(file_name):
# 1. 用pandas读取csv
data = pd.read_csv(file_name)
# 2. 构造X列表和Y列表
X_parameter = []
Y_parameter = []
for single_square_feet,single_price_value in zip(data['square_feet'],data['price']):
X_parameter.append([float(single_square_feet)])
Y_parameter.append(float(single_price_value))
return X_parameter,Y_parameter
# 线性回归分析，其中predict_square_feet为要预测的平方英尺数，函数返回对应的房价
def linear_model_main(X_parameter,Y_parameter,predict_square_feet):
# 1. 构造回归对象
regr = LinearRegression()
regr.fit(X_parameter,Y_parameter)
# 2. 获取预测值
predict_outcome = regr.predict(predict_square_feet)
# 3. 构造返回字典
predictions = {}
# 3.1 截距值
predictions['intercept'] = regr.intercept_
# 3.2 回归系数（斜率值）
predictions['coefficient'] = regr.coef_
# 3.3 预测值
predictions['predict_value'] = predict_outcome
return predictions
# 绘出图像
def show_linear_line(X_parameter,Y_parameter):
# 1. 构造回归对象
regr = LinearRegression()
regr.fit(X_parameter,Y_parameter)
# 2. 绘出已知数据散点图
plt.scatter(X_parameter,Y_parameter,color = 'blue')
# 3. 绘出预测直线
plt.plot(X_parameter,regr.predict(X_parameter),color = 'red',linewidth = 4)
plt.title('Predict the house price')
plt.xlabel('square feet')
plt.ylabel('price')
plt.show()
def main():
# 1. 读取数据
X,Y = get_data('./house_price.csv')
# 2. 获取预测值，在这里我们预测700平方英尺大小的房子的房价
predict_square_feet = 700
result = linear_model_main(X,Y,predict_square_feet)
for key,value in result.items():
print ('{0}:{1}'.format(key,value))
# 3. 绘图
show_linear_line(X,Y)
if __name__ == '__main__':
main()运行结果：
