线性回归模型预测房价 该笔记本创建了线性回归模型来预测房价。 数据取自Ames Housing数据集，该数据集由Dean De Cock为数据科学进行了编译。 数据集由1,460行和81列组成。 SalePrice是回归模型的因变量。 确定数据集中的自变量与SalePrice之间的相关系数后，为模型选择了5个自变量： 综合质量-综合质量 GrLivArea-地上生活区 车库面积-车库面积 TotalBsmtSF-地下室总平方英尺 建造年份-施工年份 将数据分为训练和测试数据集后，使用skl

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