采用线性回归对波士顿房价数据集进行建模_使用波士顿房价数据,分别进行线性回归,岭回归,lasso回归建模,输出各属性的系数,体

特征变换：

1y=df[‘sales’]
2X=df.drop([‘sales’,‘Unnamed:0’],axis=1)

随机选择其中80%的样本作为训练数据，其余20%的数据作为测试样本
3X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=33, test_size=0.2)

用训练数据训练最小二乘线性回归（无正则）、岭回归（L2正则）和Lasso（L1正则），注意岭回归和Lasso的正则超参数调优，性能指标为RMSE：

比较上述三种模型得到的各特征的回归系数，以及各模型在测试集上的性能。

回归系数：岭回归、Lasso得到的回归系数绝对值均比最小二乘线性回归小，即起到了权值收缩的效果（不全，具体回归系数分析看P36页最上行）
性能：最小二乘线性回归在训练集上的性能最好，但在测试集上的性能最差；Lasso模型在测试集上的性能最好

4# 导入pandas工具包
5import pandas as pd
6# 读取数据
7dpath=“./data/”
8df=pd.read_csv(dpath+“Advertising.csv”)
9# 从原始数据中分离输入特征x和输出y
10y=df[‘sales’]
11X=df.drop([‘sales’,‘Unnamed:0’],axis=1)
12# 将数据分割为训练数据与测试数据，随