TensorFlow入门 |（二）房价预测模型

房价预测模型简介

房价预测模型是一种简单的线性模型，属于监督学习的一种，给一些输入参数比如房屋面积、卧室数量等做，然后结合给定的价格标签做预测。

单变量房价预测

import pandas as pd
import seaborn as sns
sns.set(context="notebook", style="whitegrid", palette="dark")

导入做数据分析的pandas库，用seaborn来做可视化。
sns.set是seaborn的一个环境设置方法，具体使用规则可以输入sns.set?查看（jupyter中）。将上下文环境设置为notebook，白色背景，黑色线。

df0 = pd.read_csv('data0.csv', names=['square', 'price'])
sns.lmplot('square', 'price', df0, height=6, fit_reg=False)

data0.csv文件存放了单变量房价预测所要用的数据，第一列是面积，第二列是价格。用pandas的方式读入数据。
用sns.Implot方法可视化这些数据。设置相关参数如：x轴的名称“square”，y轴的名称“price”，所需数据“df0”，图的大小。fit_reg意思就是是否需要拟合这些散点(fit regression)，False和True的结果分别如下
结果如下图所示：


如果要看下前5行的数据，可以用

df0.head(5)    # 也可以直接输入df0看全部的数据

还有如果要看具体信息的话可以输入

df0.info()

在这里的输出情况如下

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 47 entries, 0 to 46
Data columns (total 2 columns):
square    47 non-null int64
price     47 non-null int64
dtypes: int64(2)
memory usage: 832.0 bytes

简单了解之后再来看下多变量房价预测

多变量房价预测

import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d
df1 = pd.read_csv('data1.csv', names=['square', 'bedrooms', 'price'])
df1.head()

到如用到的库，这里用pyplot创建图片，用mplot3D绘制3D图。
从data.csv文件中导入数据。输入是房屋的面积和房间卧室数量，输出是房屋价格。

fig = plt.figure()  # 创建一个原始图
# 创建一个 3D 对象
ax = plt.axes(projection='3d')
# 设置 3 个坐标轴的名称
ax.set_xlabel('square')
ax.set_ylabel('bedrooms')
ax.set_zlabel('price')
# 绘制 3D 散点图
ax.scatter3D(df1['square'], df1['bedrooms'], df1['price'], c=df1['price'], cmap='Blues')

最后一行代码中的c=df1['price']表示以价格的变化情况来控制散点颜色深度的变化，颜色设置为蓝色。

为解决数据单位和范围的问题，通常要数据规范化。

def normalize_feature(df):
    return df.apply(lambda column: (column - column.mean()) / column.std())
df = normalize_feature(df1)
df.head()

规范化处理后的数据如下

	square	    bedrooms   	price
0	0.130010 	-0.223675	0.475747
1	-0.504190	-0.223675	-0.084074
2	0.502476  	-0.223675	0.228626
3	-0.735723	-1.537767	-0.867025
4	1.257476	 1.090417	1.595389

处理之后的图像如下

ax = plt.axes(projection='3d')
ax.set_xlabel('square')
ax.set_ylabel('bedrooms')
ax.set_zlabel('price')
ax.scatter3D(df['square'], df['bedrooms'],df[