Sklearn 机器学习 房价预估 计算房价和特征值的相关性

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

Sklearn 机器学习实战：房价预估与特征相关性分析

在机器学习的房价预测任务中，了解 房价（目标值）与各个特征之间的相关性 至关重要。
高相关性的特征通常为模型提供更多有效信息，而低相关甚至负相关的特征则可能需要进一步分析或剔除。

本文将使用 Scikit-learn + Pandas + Matplotlib 分析房价与特征的相关性，并可视化结果。

---

📌 一、项目背景与数据准备

我们使用 sklearn.datasets 提供的 fetch_california_housing 数据集，这是一个经典的回归预测数据集。

• 目标值：加州各地区的房屋中位数价格（单位：$100,000）
• 特征值：房屋年龄、平均房间数、人口数、纬度经度等信息

特征值说明：

• MedInc：该地区住户的平均收入（单位：万美元）
• HouseAge：该地区房屋的平均年龄（单位：年）
• AveRooms：该地区平均每户的房间数
• AveBedrms：该地区平均每户的卧室数
• Population：该地区的人口数量
• AveOccup：该地区平均每户的居住人数
• Latitude：该地区的纬度
• Longitude：该地区的经度

1. 导入依赖库与加载数据

from sklearn.datasets import fetch_california_housing
import pandas as pd
import matplotlib.pyplot as plt# 设置中文显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
plt