通过网盘分享的文件：基于回归分析的大学综合得分预测 (1).zip 链接: https://pan.baidu.com/s/1Jdu24uRYY4wDDqvfIsDQAg?pwd=nt29 提取码: nt29

---

一、案例简介

大学排名是一个非常重要同时也极富挑战性与争议性的问题，一所大学的综合实力涉及科研、师资、学生等方方面面。目前全球有上百家评估机构会评估大学的综合得分进行排序，而这些机构的打分也往往并不一致。在这些评分机构中，世界大学排名中心（Center for World University Rankings，缩写CWUR）以评估教育质量、校友就业、研究成果和引用，而非依赖于调查和大学所提交的数据著称，是非常有影响力的一个。

本任务中我们将根据 CWUR 所提供的世界各地知名大学各方面的排名（师资、科研等），一方面通过数据可视化的方式观察不同大学的特点，另一方面希望构建机器学习模型（线性回归）预测一所大学的综合得分。

二、作业说明

使用来自 Kaggle 的数据，构建「线性回归」模型，根据大学各项指标的排名预测综合得分。

基本要求：

• 按照 8:2 随机划分训练集测试集，用 RMSE 作为评价指标，得到测试集上线性回归模型的 RMSE 值；
• 对线性回归模型的系数进行分析。

扩展要求：

• 对数据进行观察与可视化，展示数据特点；
• 尝试其他的回归模型，对比效果；
• 尝试将离散的地区特征融入线性回归模型，并对结果进行对比。

注意事项：

• 基本输入特征有 8 个：quality_of_education, alumni_employment, quality_of_faculty, publications, influence, citations, broad_impact, patents；
• 预测目标为score；
• 可以使用 sklearn 等第三方库，不要求自己实现线性回归；
• 需要保留所有数据集生成、模型训练测试的代码；

三、数据概览

假设数据文件位于当前文件夹，我们用 pandas 读入标准 csv 格式文件的函数read_csv()将数据转换为DataFrame的形式。观察前几条数据记录：

In [1]:

import pandas as pd
import numpy as np

data_df = pd.read_csv('./cwurData.csv')  # 读入 csv 文件为 pandas 的 DataFrame
data_df.head(3).T  # 观察前几列并转置方便观察

Out[1]:

	0	1	2
world_rank	1	2	3
institution	Harvard University	Massachusetts Institute of Technology	Stanford University
region	USA	USA	USA
national_rank	1	2	3
quality_of_education	7	9	17
alumni_employment	9	17	11
quality_of_faculty	1	3	5
publications	1	12	4
influence	1	4	2
citations	1	4	2
broad_impact	NaN	NaN	NaN
patents	5	1	15
score	100	91.67	89.5
year	2012	2012	2012

去除其中包含 NaN 的数据，保留 2000 条有效记录。

In [2]:

data_df = data_df.dropna()  # 舍去包含 NaN 的 row
len(data_df)

Out[2]:

2000

取出对应自变量以及因变量的列，之后就可以基于此切分训练集和测试集，并进行模型构建与分析。

In [3]:

feature_cols = ['quality_of_faculty', 'publications', 'citations', 'alumni_employment', 
                'influence', 'quality_of_education', 'broad_impact', 'patents']
X = data_df[feature_cols]
Y = data_df['score']
X

Out[3]:

	quality_of_faculty	publications	citations	alumni_employment	influence	quality_of_education	broad_impact	patents
200	1	1	1	1	1	1	1.0	2
201	4	5	3	2	3	11	4.0	6
202	2	15	2	11	2	3	2.0	1
203	5	10	12	10	9	2	13.0	48
204	10	11	11	12	12	7	12.0	16
...	...	...	...	...	...	...	...	...
2195	218	926	812	567	845	367	969.0	816
2196	218	997	645	566	908	236	981.0	871
2197	218	830	812	549	823	367	975.0	824
2198	218	886	812	567	974	367	975.0	651
2199	218	861	812	567	991	367	981.0	547

2000 rows × 8 columns

四、模型构建

（待完成）