最新案例動態，請查閲【案例共創】從0開始使用華為雲開發者空間搭建房價預測模型。小夥伴們快來領取華為開發者空間進行實操吧！

本案例由：梅科爾工作室提供

1 概述

1.1 案例介紹

華為雲開發者空間，華為云為每個新生態開發者免費提供一台雲主機，每位開發者每年可享有數百小時的使用時長。雲主機預集成CodeArts IDE、代碼倉及JDK、Python等運行時插件，解決本地開發環境中配置複雜、穩定性不足和依賴等問題，為開發者提供性能強大、安全、穩定、高效的開發環境。

官方文檔：圖解開發者空間-平台概述-開發者空間 Developer Space

本案例為從0開始使用華為雲開發者空間搭建房價預測模型，並藉助開發者空間雲主機提供的免費CodeArts IDE for Python編輯器進行代碼編寫。

通過實際操作，讓大家深入瞭解，如何使用華為雲開發者空間從0開始搭建一個房價預測模型，也可以使開發者更深入的瞭解開發者空間和CodeArts IDE的功能。

1.2 適用對象

• 個人開發者
• 高校學生

1.3 案例時間

本案例總時長預計30分鐘。

1.4 案例流程

説明：

1. 配置開發者空間環境；
2. 打開IDE搭建房價預測模型。

1.5 資源總覽

本案例預計花費總計0元。

| 開發者空間 | 2vCPUs \| 4GB X86 \|Ubuntu 22.04 Server定製版 |

2 開發者空間配置和Python工程創建

2.1 登錄華為雲開發者空間

瀏覽器輸入以下地址：

<https://developer.huaweicloud.com/space/devportal/desktop>

2.2 環境配置

如果開發者使用Python集成環境，需要在‘’使⽤説明‘’⸺\>‘’配置信息‘’當中，選擇CPU架構為X86，操作系統為‘’Ubuntu‘’，公共鏡像選擇為‘’Ubuntu 22.04 server定製版‘’。

注意：如果雲主機正在運行，需要先重置，等雲主機關機後再進行環境配置。

點擊‘’進入桌面‘’，進入到雲主機桌面中

2.3 打開Python集成開發環境

打開IDE後，選擇新建工程，然後按照下圖進行環境配置，注：名稱可以自定義，配置完成後點擊創建。

這樣，一個全新的Python工程就創建好啦！

3 房價預測模型創建

3.1 項目介紹

本項目旨在通過線性迴歸模型預測房屋總價。具體來説，我們將使用房屋面積作為自變量，總價作為因變量，通過線性迴歸模型來預測房屋總價，並評估模型的性能。

3.2 代碼分析

導入必要的庫

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

• numpy：用於數值計算；
• matplotlib.pyplot：用於數據可視化；
• sklearn.linear_model.LinearRegression：用於創建線性迴歸模型；
• sklearn.model_selection.train_test_split：用於劃分訓練集和測試集；
• sklearn.metrics.mean_squared_error和sklearn.metrics.r2_score：用於評估模型性能。

注意：首次運行會出現報錯，因為編譯器裏沒有項目所需的一些依賴，要進行配置

打開終端，輸入對應依賴包：

以本項目為例：

pip install numpy
pip install matplotlib
pip install scikit-learn
# 安裝後可查看安裝結果
#在終端繼續輸⼊
pip list | grep numpy
#終端打印出：
numpy 2.2.2
#即為安裝成功
pip list | grep matplotlib
#終端打印出：
matplotlib 3.10.0
#即為安裝成功
pip list | grep scikit-learn
#終端打印出：
scikit-learn 1.6.1
#即為安裝成功

1. 生成模擬數據

np.random.seed(0) # 設置隨機種⼦以保證結果可復現
# ⽣成房屋⾯積（平⽅⽶）
areas = np.random.uniform(50, 200, 100) # ⽣成100個⾯積，範圍在50到200平⽅⽶之間
# ⽣成單位⾯積的價格（元/平⽅⽶）
unit_prices = np.random.uniform(10000, 30000, 100) # ⽣成100個單位⾯積價格，範圍在10000到30000元/平⽅⽶之間
# 計算總價
total_prices = areas * unit_prices
# 將數據轉換為⼆維數組（scikit-learn需要⼆維輸⼊）
X = areas.reshape(-1, 1) # ⾃變量：⾯積
y = total_prices # 因變量：總價

• 使用Np.random.uniform生成房屋面積和單位面積價格的隨機數據；
• 計算房屋總價；
• 將自變量areas轉換為二維數組，以滿足scikit-learn的輸入要求。

2. 劃分訓練集和測試

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將數據劃分為訓練集和測試集，測試集佔總數據的20%

3. 創建並訓練線性迴歸模型

model = LinearRegression()
model.fit(X_train, y_train)

• 創建LinearRegression模型；
• 使用訓練集數據訓練模型

4. 預測測試集

y_pred = model.predict(X_test)

5. 評估模型

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f"均⽅誤差 (MSE): {mse:.2f}")
print(f"決定係數 (R^2): {r2:.2f}")

• 使用均方誤差（MSE）和決定係數（R^2）評估模型性能。
• 打印評估結果

6. 可視化結果

#可視化結果
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)
#保存圖像
plt.savefig('example_plot.png')
print("圖像已保存為 example_plot.png")
# 顯⽰圖像
plt.show()

• 使用matplotlib.pyplot繪製散點圖和預測線；
• 保存圖像並顯示。

項目結果

• 均方誤差（MSE）：衡量預測值與真實值之間的平均誤差平方；
• 決定係數（R^2）：衡量模型對數據擬合程度，值越接近1表示擬合效果越好；
• 可視化圖像：展示了測試集的真實值和預測值之間的關係。

項目意義

本項目通過線性迴歸模型預測房屋總價，展示瞭如何使用scikit-learn進行數據預處理、模型訓練、預測和評估，以及如何使用matplotlib進行數據可視化。這為初學者提供了一個完成的機器學習項目示例。

運行結果

至此，從0開始使用華為雲開發者空間搭建房價預測實驗完成。