加州房价数据分析报告

📊 数据概览

$393,400

平均房价

$72,000
收入中位数

34年

平均房龄

5间

平均房间数

特征说明

                🔢 数据字段
                MedInc - 收入中位数（单位：万美元）
HouseAge - 房屋年龄（年）
AveRooms - 每个房屋的平均房间数
AveBedrms - 每个房屋的平均卧室数
Population - 区块人口数
AveOccup - 平均入住人数
Latitude/Longitude - 地理坐标

            

🔍 数据分析发现

1. 收入是决定房价的最重要因素

关键发现：收入中位数与房价的相关性高达 0.69！这意味着收入每增加1万美元，房价平均上涨约$45,000。

2. 地理位置对房价影响显著

关键发现：沿海地区（尤其是洛杉矶和旧金山周边）房价明显更高。内陆地区房价相对较低。

3. 各特征相关性热力图

🤖 机器学习模型训练

我们使用4种机器学习算法对房价进行预测：

模型性能对比

                
                    
                        模型
                        R² 分数
                        RMSE
                        MAE
                    

                        Linear Regression
                        0.576
                        $74,558
                        $53,320
                    

                        Ridge Regression
                        0.576
                        $74,552
                        $53,320
                    

                        Random Forest ⭐
                        0.804
                        $50,663
                        $32,817
                    

                        Gradient Boosting
                        0.776
                        $54,222
                        $37,164
                    

            

模型	R² 分数	RMSE	MAE
Linear Regression	0.576	$74,558	$53,320
Ridge Regression	0.576	$74,552	$53,320
Random Forest ⭐	0.804	$50,663	$32,817
Gradient Boosting	0.776	$54,222	$37,164

特征重要性排名 (Random Forest)

💡 结论与建议

🏆 最佳模型：Random Forest

R² 分数达到 0.804，意味着模型可以解释80%的房价变化。预测误差约为 $50,000。

影响房价的关键因素（按重要性排序）：

收入水平 (MedInc) - 最重要因素，占比52%
入住率 (AveOccup) - 人口密度相关，占比14%
地理位置 (Latitude/Longitude) - 沿海vs内陆，占比18%
房龄 (HouseAge) - 房屋新旧程度，占比5%
房间数 (AveRooms) - 房屋大小，占比4%

实用建议：

如果要投资房产，优先考虑高收入区域和沿海城市
人口密度适中的区域可能有更好的投资回报
新建房屋（房龄较短）通常价格更高

🏠 加州房价数据分析报告