python实现简单的单变量线性回归方法_Python

线性回归是机器学习中的基础算法之一，属于监督学习中的回归问题，算法的关键在于如何最小化代价函数，通常使用梯度下降或者正规方程（最小二乘法），在这里对算法原理不过多赘述，建议看吴恩达发布在斯坦福大学上的课程进行入门学习。

这里主要使用python的sklearn实现一个简单的单变量线性回归。

sklearn对机器学习方法封装的十分好，基本使用fit,predict,score，来训练，预测，评价模型，

一个简单的事例如下：

									from pandas import dataframe

									from pandas import dataframe

									import pandas as pd

									import matplotlib.pyplot as plt

									from sklearn import datasets,linear_model

									x=[]

									y=[]

									with open("c:\\users\\www\\ex1data1.txt","r") as f:  #读取txt文件。

									 for line in f:

									  p_tmp, e_tmp = [float(i) for i in line.split(',')]

									  x.append(p_tmp)

									  y.append(e_tmp)

									 #'data=np.loadtxt('ex1data1.txt',delimiter=',')

1	`# x=data[0]`

1	`# y=data[1]`

									data=dataframe(x,columns={'a'})

									data['b']=b

									x=dataframe(x)

									fig = plt.figure()         

									ax1 = fig.add_subplot(1,1,1)

									plt.scatter(data['a'],data['b'])   #显示x，y的散点图

									def linear_model_main(x,y,predict_value): #定义一个使用线性回归的函数

									 regr=linear_model.linearregression()

									 regr.fit(x,y)  #训练模型

									 predict_output=regr.predict(predict_value) #预测

									 predictions={}        #用一个集合装以下元素

									 predictions['intercept']=regr.intercept_  #截距

									 predictions['codfficient']=regr.coef_   #斜率（参数）

									 predictions['predict_value']=predict_output  #预测值

									 return predictions

									result = linear_model_main(x,y,1500)    #调用函数

									print(result['predict_value'])

									def show_predict(x,y):

									 regr=linear_model.linearregression()

									 regr.fit(x,y) 

									 plt.scatter(x,y,color='blue')

									 plt.plot(x,regr.predict(x),color='red')

									show_predict(x,y)

最后拟合结果如图：

python实现简单的单变量线性回归方法

以上这篇python实现简单的单变量线性回归方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/xckkcxxck/article/details/70158004

python实现简单的单变量线性回归方法

相关文章

热门资讯