以下是一个使用Python的`scikit-learn`库和`matplotlib`、`seaborn`库进行波士顿房价预测案例可视化数据的代码示例： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.datasets import load_boston # 加载波士顿房价数据集 boston = load_boston() data = pd.DataFrame(boston.data, columns=boston.feature_names) data['MEDV'] = boston.target # 1. 目标变量分布图（带KDE的直方图） plt.figure(figsize=(10, 6)) sns.histplot(data['MEDV'], kde=True) plt.title('Distribution of Median House Value (MEDV)') plt.xlabel('Median House Value (in $1000s)') plt.ylabel('Frequency') plt.show() # 2. 相关性热力图（带相关系数标注） correlation_matrix = data.corr() plt.figure(figsize=(12, 10)) sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm') plt.title('Correlation Heatmap of Boston Housing Features') plt.show() # 3. 实际vs预测散点图（有理想预测参考线） from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression # 划分训练集和测试集 X = data.drop('MEDV', axis=1) y = data['MEDV'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 预测 y_pred = model.predict(X_test) plt.figure(figsize=(10, 6)) plt.scatter(y_test, y_pred) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2) plt.title('Actual vs Predicted House Values') plt.xlabel('Actual Median House Value (in $1000s)') plt.ylabel('Predicted Median House Value (in $1000s)') plt.show() # 4. 残差图（检验模型假设） residuals = y_test - y_pred plt.figure(figsize=(10, 6)) plt.scatter(y_pred, residuals) plt.axhline(y=0, color='r', linestyle='--') plt.title('Residual Plot') plt.xlabel('Predicted Median House Value (in $1000s)') plt.ylabel('Residuals') plt.show() ``` ### 代码解释 1. **数据加载**：使用`sklearn.datasets.load_boston()`加载波士顿房价数据集，并将其转换为`pandas`的`DataFrame`格式。 2. **目标变量分布图**：使用`seaborn`的`histplot`函数绘制目标变量`MEDV`的直方图，并添加核密度估计曲线。 3. **相关性热力图**：计算各特征之间的相关性矩阵，并使用`seaborn`的`heatmap`函数绘制热力图，同时标注相关系数。 4. **实际vs预测散点图**：使用线性回归模型进行训练和预测，然后绘制实际值和预测值的散点图，并添加理想预测参考线。 5. **残差图**：计算残差并绘制残差图，用于检验模型的假设。