線形回帰・単回帰による住宅価格予測モデル

#単回帰の予測モデル

# ライブラリのインポート

# %matplotlib inline

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.linear_model import LinearRegression

from sklearn.preprocessing import StandardScaler

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error

# 住宅価格データセットの読み込み

df=pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data', header=None, sep='\s+')

df.columns=['CRIM','ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']

# 先頭５行の表示

pd.DataFrame(df.head())

# データフレームの形状

print('dfの形状', df.shape)

# 特徴量に平均部屋数(RM)の20件を設定

X = df[:20][['RM']].values

# 正解に住宅価格(MEDV)の20件を設定

y = df[:20]['MEDV'].values

# 特徴量と正解の先頭五行を表示

X[:5], y[:5]

# 特徴量と正解の形状

X.shape, y.shape

# 線形回帰モデルを作成

model = LinearRegression()

# modelの訓練

model.fit(X, y)

# パラメータの取り出し

print('傾き: %.2f' % model.coef_)

print('切片: %.2f' % model.intercept_)

# モデルを使い、部屋数から住宅価格を予測

new_data = np.array([[6]])

model.predict (new_data)

# 一次関数作成用に部屋数の変数　X_pltを作成

X_plt = np.arange(5, 9, 1)

print('一次元配列のX_plt', X_plt)

# X_pltを二次元配列に変換

X_plt = np.arange(5, 9, 1) [:, np.newaxis]

print('二次元配列のX_plt', X_plt)

# 散布図と一次関数

plt.figure(figsize=(8,4)) #　プロットのサイズ指定

#モデルのプロット

y_pred = model.predict(X_plt)

# 部屋数と住宅価格の散布図と一次関数のプロット

plt.scatter(X, y, color='blue', label='data')

plt.plot(X_plt, y_pred, color='red', linestyle='-', label='LinearRegression')

plt.ylabel('Price in $1000s [MEDV]')

plt.xlabel('Average number of rooms [RM]')

plt.title('Bostom house-prices')

plt.legend(loc='lower right')

plt.show()