最新案例动态，请查阅【案例共创】从0开始使用华为云开发者空间搭建房价预测模型。小伙伴们快来领取华为开发者空间进行实操吧！
本案例由：梅科尔工作室提供
1 概述
1.1 案例介绍
华为云开发者空间，华为云为每个新生态开发者免费提供一台云主机，每位开发者每年可享有数百小时的使用时长。云主机预集成CodeArts IDE、代码仓及JDK、Python等运行时插件，解决本地开发环境中配置复杂、稳定性不足和依赖等问题，为开发者提供性能强大、安全、稳定、高效的开发环境。
官方文档：图解开发者空间-平台概述-开发者空间 Developer Space
本案例为从0开始使用华为云开发者空间搭建房价预测模型，并借助开发者空间云主机提供的免费CodeArts IDE for Python编辑器进行代码编写。
通过实际操作，让大家深入了解，如何使用华为云开发者空间从0开始搭建一个房价预测模型，也可以使开发者更深入的了解开发者空间和CodeArts IDE的功能。
1.2 适用对象
个人开发者
高校学生
1.3 案例时间
本案例总时长预计30分钟。
1.4 案例流程
说明：
配置开发者空间环境；
打开IDE搭建房价预测模型。
1.5 资源总览
本案例预计花费总计0元。
| 开发者空间 | 2vCPUs | 4GB X86 |Ubuntu 22.04 Server定制版 |
2 开发者空间配置和Python工程创建
2.1 登录华为云开发者空间
浏览器输入以下地址：
https://developer.huaweicloud.com/space/devportal/desktop
2.2 环境配置
如果开发者使用Python集成环境，需要在‘’使⽤说明‘’⸺>‘’配置信息‘’当中，选择CPU架构为X86，操作系统为‘’Ubuntu‘’，公共镜像选择为‘’Ubuntu 22.04 server定制版‘’。
注意：如果云主机正在运行，需要先重置，等云主机关机后再进行环境配置。
点击‘’进入桌面‘’，进入到云主机桌面中
2.3 打开Python集成开发环境
打开IDE后，选择新建工程，然后按照下图进行环境配置，注：名称可以自定义，配置完成后点击创建。
这样，一个全新的Python工程就创建好啦！
3 房价预测模型创建
3.1 项目介绍
本项目旨在通过线性回归模型预测房屋总价。具体来说，我们将使用房屋面积作为自变量，总价作为因变量，通过线性回归模型来预测房屋总价，并评估模型的性能。
3.2 代码分析
导入必要的库
importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.linear_modelimportLinearRegressionfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportmean_squared_error,r2_score- numpy：用于数值计算；
- matplotlib.pyplot：用于数据可视化；
- sklearn.linear_model.LinearRegression：用于创建线性回归模型；
- sklearn.model_selection.train_test_split：用于划分训练集和测试集；
- sklearn.metrics.mean_squared_error和sklearn.metrics.r2_score：用于评估模型性能。
注意：首次运行会出现报错，因为编译器里没有项目所需的一些依赖，要进行配置
打开终端，输入对应依赖包：
以本项目为例：
pipinstallnumpy pipinstallmatplotlib pipinstallscikit-learn# 安装后可查看安装结果#在终端继续输⼊pip list|grepnumpy#终端打印出：numpy2.2.2#即为安装成功pip list|grepmatplotlib#终端打印出：matplotlib3.10.0#即为安装成功pip list|grepscikit-learn#终端打印出：scikit-learn1.6.1#即为安装成功- 生成模拟数据
np.random.seed(0)# 设置随机种⼦以保证结果可复现# ⽣成房屋⾯积（平⽅⽶）areas=np.random.uniform(50,200,100)# ⽣成100个⾯积，范围在50到200平⽅⽶之间# ⽣成单位⾯积的价格（元/平⽅⽶）unit_prices=np.random.uniform(10000,30000,100)# ⽣成100个单位⾯积价格，范围在10000到30000元/平⽅⽶之间# 计算总价total_prices=areas*unit_prices# 将数据转换为⼆维数组（scikit-learn需要⼆维输⼊）X=areas.reshape(-1,1)# ⾃变量：⾯积y=total_prices# 因变量：总价使用Np.random.uniform生成房屋面积和单位面积价格的随机数据；
计算房屋总价；
将自变量areas转换为二维数组，以满足scikit-learn的输入要求。
- 划分训练集和测试
X_train,X_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)- 使用train_test_split将数据划分为训练集和测试集，测试集占总数据的20%
- 创建并训练线性回归模型
model=LinearRegression()model.fit(X_train,y_train)创建LinearRegression模型；
使用训练集数据训练模型
- 预测测试集
y_pred=model.predict(X_test)- 评估模型
mse=mean_squared_error(y_test,y_pred)r2=r2_score(y_test,y_pred)print(f"均⽅误差 (MSE):{mse:.2f}")print(f"决定系数 (R^2):{r2:.2f}")使用均方误差（MSE）和决定系数（R^2）评估模型性能。
打印评估结果
- 可视化结果
#可视化结果plt.figure(figsize=(10,6))plt.scatter(X_test,y_test,color='blue',label='real',alpha=0.6)plt.plot(X_test,y_pred,color='red',linewidth=2,label='reveiew')plt.xlabel('m\*m',fontsize=12)plt.ylabel('RMB',fontsize=12)plt.title('relationship',fontsize=14)plt.legend(fontsize=10)plt.grid(True)#保存图像plt.savefig('example_plot.png')print("图像已保存为 example_plot.png")# 显⽰图像plt.show()使用matplotlib.pyplot绘制散点图和预测线；
保存图像并显示。
项目结果
均方误差（MSE）：衡量预测值与真实值之间的平均误差平方；
决定系数（R^2）：衡量模型对数据拟合程度，值越接近1表示拟合效果越好；
可视化图像：展示了测试集的真实值和预测值之间的关系。
项目意义
本项目通过线性回归模型预测房屋总价，展示了如何使用scikit-learn进行数据预处理、模型训练、预测和评估，以及如何使用matplotlib进行数据可视化。这为初学者提供了一个完成的机器学习项目示例。
运行结果
至此，从0开始使用华为云开发者空间搭建房价预测实验完成。
