【scikit-learn】加州房价数据集实战：从数据加载到回归模型评估

1. 加州房价数据集简介

加州房价数据集是scikit-learn内置的经典回归任务数据集，包含1990年加州人口普查中的房屋信息。这个数据集特别适合机器学习初学者练习回归问题的完整流程，因为它具备真实数据的特点（存在噪声、非线性关系等），同时又经过清洗和标准化处理。

我第一次接触这个数据集是在学习线性回归时，当时就被它丰富的特征和明确的目标变量所吸引。数据集包含20640个样本，每个样本有8个特征：

• MedInc：街区收入中位数
• HouseAge：房屋年龄中位数
• AveRooms：平均房间数
• AveBedrms：平均卧室数
• Population：街区人口
• AveOccup：平均入住率
• Latitude：纬度
• Longitude：经度

目标变量是房屋中位价，单位是十万美元。这个数据集虽然不大，但包含了地理位置、房屋属性和人口统计等多维度信息，非常适合用来探索特征工程和模型选择。

2. 数据加载与初步探索

2.1 加载数据集

使用scikit-learn加载数据非常简单，几行代码就能搞定：

from sklearn.datasets import fetch_california_housing
import pandas as pd

# 加载数据
housing = fetch_california_housing(as_frame=True)
X, y = housing.data, housing.target

# 转换为DataFrame方便查看
df = pd.DataFrame(X, columns=housing.feature_names)
df['MedHouseVal'] = y  # 添加目标列

print(f"数据集形状: {df.shape}")
print("\n前5行数据:")
print(df.head())

这里我特意使用了as_frame=True参数，让数据直接返回为pandas DataFrame，这对数据探索特别方便。第一次运行时，数据会自动下载并缓存到本地，下次使用就不需要重新下载了。

2.2 数据基本统计

了解数据的统计特性非常重要，这能帮助我们快速发现异常值或需要特殊处理的特征：

print(df.describe().T)

从统计结果可以看到：

• 收入中位数(MedInc)范围