ЕГЭ - 2026 год

Вы работаете с классическим датасетом Boston Housing Dataset, который содержит информацию о ценах на недвижимость в пригородах Бостона. Датасет включает 13 признаков, влияющих на медианную стоимость домов. Ваша задача — построить модель множественной линейной регрессии и проанализировать факторы, влияющие на цену.

Описание признаков:  

Признак	Описание	Единицы
crim	Уровень преступности на душу населения	%
zn	Доля жилых зон для участков > 25,000 кв. футов	%
indus	Доля промышленных площадей	%
chas	Расположение у реки (1 = да, 0 = нет)	бинарный
nox	Концентрация оксида азота (загрязнение воздуха)	ppm
rm	Среднее количество комнат в доме	количество
age	Доля домов, построенных до 1940 года	%
dis	Средневзвешенное расстояние до центров занятости	единицы
rad	Индекс доступности радиальных магистралей	индекс
tax	Ставка налога на имущество	$ за $10,000
ptratio	Соотношение учеников к учителям	число
lstat	% населения с низким статусом	%
medv	Медианная стоимость дома (целевая переменная)	$1000

Задание

1. Загрузите датасет из прикрепленного файла
2. Выберите 5 наиболее важных признаков для модели:
   • rm (количество комнат)
   • lstat (% населения с низким статусом)
   • ptratio (соотношение учеников к учителям)
   • dis (расстояние до центров занятости)
   • crim (уровень преступности)
3. Создайте X (признаки) и y (целевая переменная medv)
4. Создайте и обучите модель LinearRegression
5. Считайте из консоли количество домов для предсказания, затем для каждого дома поочередно считайте 5 характеристик:

   • rm (количество комнат)

   • lstat (% населения с низким статусом)

   • ptratio (соотношение учеников к учителям)

   • dis (расстояние до центров занятости)

   • crim (уровень преступности)

6. Сделайте предсказание цен для всех введенных домов

7. Формат ответа:
   Для каждого дома выведите целую часть предсказанной цены на отдельной строке

Формат входных данных
Первая строка входных данных содержит целое число n - количество домов для предсказания. Затем n раз по 5 чисел с характеристиками каждого дома.

Формат выходных данных
Для каждого дома выведите целую часть предсказанной цены на отдельной строке.

Примечание
1)  Для разделения данных на обучающую и тестовую выборки используйте следующие параметры: test_size=0.2, random_state=42

Вы работаете с классическим датасетом Boston Housing Dataset, который содержит информацию о ценах на недвижимость в пригородах Бостона. Датасет включает 13 признаков, влияющих на медианную стоимость домов.

Ваша задача — построить модель множественной линейной регрессии и проанализировать факторы, влияющие на цену.

Описание признаков:  

Признак	Описание	Единицы
crim	Уровень преступности на душу населения	%
zn	Доля жилых зон для участков > 25,000 кв. футов	%
indus	Доля промышленных площадей	%
chas	Расположение у реки (1 = да, 0 = нет)	бинарный
nox	Концентрация оксида азота (загрязнение воздуха)	ppm
rm	Среднее количество комнат в доме	количество
age	Доля домов, построенных до 1940 года	%
dis	Средневзвешенное расстояние до центров занятости	единицы
rad	Индекс доступности радиальных магистралей	индекс
tax	Ставка налога на имущество	$ за $10,000
ptratio	Соотношение учеников к учителям	число
lstat	% населения с низким статусом	%
medv	Медианная стоимость дома (целевая переменная)	$1000

Задание

1. Загрузите датасет из прикрепленного файла
2. Выберите 5 наиболее важных признаков для модели:
   • rm (количество комнат)
   • lstat (% населения с низким статусом)
   • ptratio (соотношение учеников к учителям)
   • dis (расстояние до центров занятости)
   • crim (уровень преступности)
3. Создайте X (признаки) и y (целевая переменная medv)
4. Создайте и обучите модель LinearRegression
5. Сделайте предсказание для дома со следующими характеристиками:
   • rm = 6.5 (количество комнат)
   • lstat = 10.0 (% населения с низким статусом)
   • ptratio = 18.0 (соотношение учеников к учителям)
   • dis = 4.0 (расстояние до центров занятости)
   • crim = 0.5 (уровень преступности)

Формат ответа
Выведите значение предсказанной цены (в долларах), округлив до целого.

Примечание
1)  Для разделения данных на обучающую и тестовую выборки используйте следующие параметры: test_size=0.2, random_state=42