端到端ML房屋价格预测 一个端到端的机器学习项目，用于预测加利福尼亚的房价。 从头到尾构建机器学习项目的所有必需阶段。 它在机器学习项目中考虑以下“ HOWS”： 获取数据 可视化并从发现中获取意义 准备不同的机器学习算法 如何选择和训练模型 如何微调模型 如何保存模型 它在两者之间给出了一些说明，以在Jupyter笔记本中提供一些说明。 使用的数据集是housing.csv Jupter笔记本电脑是端到端的ML_外壳 致谢：Aurelien Geron

房屋价格预测 所有价格预测笔记本

波士顿房屋价格预测使用回归 这是一个使用波士顿住房数据集的预测房价的应用机器学习项目。 文件夹“笔记本”包含文件linearRegression.ipynb，pymachineproject.ipynb，RandomForrestRegressor.ipynb。 这些Jupyter Notebook文件包含预处理后在波士顿房屋数据集上分别用于训练，评估和最终测试机器学习模型“线性回归”，“ XGBoost回归”，“ Randomforrest回归”所需的全部代码。 File app.py包