项目6-2 用机器学习预测房屋价格-教学课件

项目六机器学习：人工智能的灵魂第2课时

用机器学习预测房屋价格

授课人：XXX房价的预测小明的父母要在新城市买一套110㎡的新房，不知道合理售价是多少。小明邀请作为数据分析师的你帮他们分析！面积（㎡）80120150200250300价格（万元）200500900150017002200任务：如何用这些数据，预测110㎡房屋的合理价格？数学老师：没想到吧，我教的y=kx+b这么有用！一次函数x：y：k：b：自变量

特征，输入（面积）因变量

目标值，输出（房价）斜率

权重（每m2，价格涨多少）截距偏置（房屋的起步价格）线性回归拟合：在数据点中找一条最优的直线（或曲线）来表示数据趋势/规律。目标：找到让直线与所有数据点"误差最小"的k和b【🤔想一想】在你的专业场景中，是否需要用到回归算法进行预测的场景？请列举一下？如果影响房价的不止面积一个因素呢？特征越多，模型越复杂，预测可能越准确；如果线性模型不够用，还可以使用随机森林、神经网络等更复杂的模型一元线性回归（1个特征）

一条直线（仅考虑面积）二元线性回归（2个特征）

一个平面（面积+楼层）多元线性回归（n个特征）

超平面（面积+楼层+地段+房龄…）步骤1：收集与录入数据importnumpyasnpimportmatplotlib.pyplotaspltdata=np.array(

[[80,200],

[120,500],])做一做录入所有的房价信息：•第一列为房屋面积•第二列为房屋价格确保数据格式正确！Step1新建.py文件，导入numpy和matplotlib，构造数据矩阵importnumpyasnpimportmatplotlib.pyplotaspltdata=np.array(

[[80,200],

[120,500],

[150,900],

[200,1500],

[250,1700],

[300,2200],])面积（㎡）80120150200250300价格（万元）200500900150017002200步骤2：数据可视化X=data[:,0]#面积y=data[:,1]#价格plt.scatter(X,y)plt.xlabel('X')plt.ylabel('y')plt.show()Step2分离输入X（面积）和输出y（价格），用散点图观察数据分布房屋面积与售价的分布大致呈现线性相关做一做用直尺和笔在图中绘制这条直线，然后再通过目测估算110平方米房屋的售价。画这条直线的时候，应该注意什么？如何保证这条直线能代表数据的趋势？想一想步骤3：拟合直线B=np.polyfit(X,y,1)print('斜率与截距分别是:',B)Step3-1用np.polyfit（）计算最优斜率k和截距b做一做函数式：y=_____x+________

110㎡房价：_______万元110㎡售价440万，你会买吗？_____________________9.16-512.7494.92会，低于预测价格拟合目标：寻找一个最优的函数或模型(k/b)，使其与所有数据点误差最小定义：据给定的数据集，建立一个函数或模型来逼近这些数据的过程步骤3：拟合直线想一想对比拟合直线与你之前手绘的直线，两者差别大吗？可能的原因是什么？Step3-2绘制曲线plt.scatter(X,y)plt.plot(X,np.polyval(B,X),'r')plt.xlabel('X')plt.ylabel('Y')plt.show()人类视觉偏差VS机器计算的最小误差收集数据数据可视化选择