房价大概是我们中国每一个普通老百姓比较关心的问题，我们想预测特定房子的价值，预测依据是房屋面积。

我们有下面的数据集：

在线性回归中，我们都知道必须在数据中找出一种线性关系，以使我们可以得到θ0和θ1。 我们的假设方程式如下所示：

其中： hθ(x)是关于特定平方英尺的价格值（我们要预测的值），（意思是价格是平方英尺的线性函数）； θ0是一个常数； θ1是回归系数。

那么现在开始编程：

步骤1

打开文本编辑器，并命名为predict_house_price.py。 我们在我们的程序中要用到下面的包，所以把下面代码复制到predict_house_price.py文件中去。

1 # Required Packages2 import matplotlib.pyplot as plt3 import numpy as np4 import pandas as pd5 from sklearn import datasets, linear_model

运行一下你的代码。如果程序没错，那步骤1基本做完了。如果你遇到了某些错误，这意味着你丢失了一些包，所以回头去看看包的页面。 安装博客文章中所有的包，再次运行你的代码。这次希望你不会遇到任何问题。

步骤2

把数据存储成一个.csv文件，名字为input_data.csv 所以让我们写一个函数把数据转换为X值（平方英尺）、Y值（价格）

1 # Function to get data2 def get_data(file_name):3 data = pd.read_csv(file_name)4 X_parameter = []5 Y_parameter = []6 for single_square_feet ,single_price_value in zip(data['square_feet'],data['price']):7 X_parameter.append([float(single_square_feet)])8 Y_parameter.append(float(single_price_value))9 return X_parameter,Y_parameter

第3行：将.csv数据读入Pandas数据帧。

第6-9行：把Pandas数据帧转换为X_parameter和Y_parameter数据，并返回他们。

所以，让我们把X_parameter和Y_parameter打印出来：

[[150.0], [200.0], [250.0], [300.0], [350.0], [400.0], [600.0]][6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0][Finished in 0.7s]

脚本输出： [[150.0], [200.0], [250.0], [300.0], [350.0], [400.0], [600.0]] [6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0] [Finished in 0.7s]

步骤3

现在让我们把X_parameter和Y_parameter拟合为线性回归模型。我们要写一个函数，输入为X_parameters、Y_parameter和你要预测的平方英尺值，返回θ0、θ1和预测出的价格值。

1 # Function for Fitting our data to Linear model2 def linear_model_main(X_parameters,Y_parameters,predict_value):3 4 # Create linear regression object5 regr = linear_model.LinearRegression()6 regr.fit(X_parameters, Y_parameters)7 predict_outcome = regr.predict(predict_value)8 predictions = {}9 predictions['intercept'] = regr.intercept_10 predictions['coefficient'] = regr.coef_11 predictions['predicted_value'] = predict_outcome12 return predictions

第5-6行：首先，创建一个线性模型，用我们的X_parameters和Y_parameter训练它。

第8-12行：我们创建一个名称为predictions的字典，存着θ0、θ1和预测值，并返回predictions字典为输出。

所以让我们调用一下我们的函数，要预测的平方英尺值为700。

​

1 X,Y = get_data('input_data.csv')2 predictvalue = 7003 result = linear_model_main(X,Y,predictvalue)4 print "Intercept value " , result['intercept']5 print "coefficient" , result['coefficient']6 print "Predicted value: ",result['predicted_value']

脚本输出：Intercept value 1771.80851064 coefficient [ 28.77659574] Predicted value: [ 21915.42553191] [Finished in 0.7s]

这里，Intercept value（截距值）就是θ0的值，coefficient value（系数）就是θ1的值。 我们得到预测的价格值为21915.4255——意味着我们已经把预测房子价格的工作做完了！

为了验证，我们需要看看我们的数据怎么拟合线性回归。所以我们需要写一个函数，输入为X_parameters和Y_parameters，显示出数据拟合的直线。

1 # Function to show the resutls of linear fit model2 def show_linear_line(X_parameters,Y_parameters):3 # Create linear regression object4 regr = linear_model.LinearRegression()5 regr.fit(X_parameters, Y_parameters)6 plt.scatter(X_parameters,Y_parameters,color='blue')7 plt.plot(X_parameters,regr.predict(X_parameters),color='red',linewidth=4)8 plt.xticks(())9 plt.yticks(())10 plt.show()

那么调用一下show_linear_line函数吧：

1 show_linear_line(X,Y)

脚本输出：

以上就是本文关于Python编程实现使用线性回归预测数据的全部内容，觉得文章还可以的话不妨收藏起来慢慢看，有任何意见或者看法欢迎大家评论！

我是一名python开发工程师，整理了一套python的学习资料，如果你想提升自己，对编程感兴趣，关注我并在后台私信小编：“08”即可免费领取资料！希望对你能有所帮助！