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：

1. 配置开发者空间环境；

2. 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

import numpy as npimport matplotlib.pyplot as pltfrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_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：

pip install numpypip install matplotlibpip install scikit-learn# 安装后可查看安装结果#在终端继续输⼊pip list | grep numpy#终端打印出：numpy 2.2.2#即为安装成功pip list | grep matplotlib#终端打印出：matplotlib 3.10.0#即为安装成功pip list | grep scikit-learn#终端打印出：scikit-learn 1.6.1#即为安装成功

1. 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。

2. 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%

3. 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

4. 预测测试集

y_pred = model.predict(X_test)

5. 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

6. 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。