Задача оценки цены дома r2 с помощью множественной линейной регрессии

Вместо линейной регрессии вы можете использовать другие модели, чтобы проверить, можете ли вы моделировать свои данные. И кстати, R² — не самая большая проблема при использовании линейной регрессии. Используйте мой ответ для изучения графика остатков в обоих случаях, поскольку остатки предположения о линейной регрессии явно указывают на гетероскедастичность. Проверьте сравнение здесь:

fig, axs = plt.subplots(nrows = 1, ncols = 2) # define subplots
###################################################################################
lrModel = LinearRegression() # random forest
lrModel.fit(XTrain, yTrain) # fit
lryPred = lrModel.predict(XTest) # test
lrRMSE = mean_squared_error(yTest, lryPred, squared=False) # RMSE
lrR2 = r2_score(yTest, lryPred) # R2
axs[0].scatter(lryPred, yTest) # scatter
axs[0].set_title("Linear Regression\nR² = "+str(round(lrR2,2))+"; RMSE = "+str(round(lrRMSE)))
###################################################################################
dtModel = DecisionTreeRegressor(random_state=42) # decision tree
dtModel.fit(XTrain, yTrain) # fit
dtyPred = dtModel.predict(XTest) # test
dtRMSE = mean_squared_error(yTest, dtyPred, squared=False) # RMSE
dtR2 = r2_score(yTest, dtyPred) # R2
axs[1].scatter(dtyPred, yTest) # scatter
axs[1].set_title("Decision Tree Regressor\nR² = "+str(round(dtR2,2))+"; RMSE = "+str(round(dtRMSE)))

Результаты такие:

Выбор линейной регрессии был ошибочным с самого начала. Прогнозы также идут в минус. Используйте дерево решений или случайный лес, они должны давать одинаковые подгонки.