机器学习之线性回归案例分析与学习

以下是我接触线性回归并理解的一个案例，我对每一个步骤的用意以及理解都以通俗易懂的方式写出来，希望对你们有所帮助

#前面都是一些简单的引入
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression  #这个很重要！！
'''
sklearn属于新的知识，我简单介绍一下，sklearn是一个封装了大量经典以及最新的机器学习模型，分为分类，回归，聚类，数据降维等等，每一个模块都含有大量的好用算法，linear_model英语比较好的话应该就知道这个就是线性回归的一种模型，LinearRegression 是 scikit-learn 库中的一个线性回归模型类，用于实现线性回归算法。

----应该会有同学疑惑线性回归是一个什么东西。我简单地描述一下，线性回归就是一种预测的模型，想让你通过输入一系列特征变量，从而得到目标变量的一种模型，其中运用了线性关系。
那我们应该怎么实现呢？我简单地说一下我的理解
就是我们通过输入一个矩阵（由训练集【训练集是啥，我们待会会说】的特征变量构成），这个矩阵的每一行都是一个案例，也就是我们用来训练的实例，然后我们再输入一个矩阵（如果目标变量只有一个的话，那就相当于一个向量），这个矩阵就对应每一组数据的结果，我们可以把由特征变量转化到目标变量的过程视为f(x) = w1x1 + w2x2 +w3x3 + ...wnxn+b(因为是线性回归嘛），我们的目的（！！！）就是要求w1，w2
,w3...,wn,b(b让模型的拟合更加灵活，毕竟可以上下移动了嘛），相当于已知x，y，反推f，我们可以通过某种方法得出f，其实就是基于某种让误差趋于小的算法（这里先不学，代码已经帮我们封装好了，我们直接用就好），然后我们就得到了一个函数，这个函数我们就可以用来预测，给一组新的x，他会给出新的y，这就是线性回归的过程，然后我们后续再用测试机对他进行预测的准确度的分析。
'''
from pandas import DataFrame,Series

#1数组准备阶段，并把数据划分为训练集和测试集（训练集就是前期用来确定f函数的，测试集是后期用来测试的）
filename = "house_price.csv"
data = pd.read_csv(filename)
from sklearn.model_selection import train_test_split  #这个模块的这个类就是用来划分数据集的
x = data.iloc[:,1:5].values.astype('float')
'''
这里有一些细节，就是我们的训练集或者测试集都必须是narray数组，又因为iloc得到的切片仍然是dataframe，所以这里还要用values转化成narray数组，
而astype成float也让数据更加精准吧，毕竟可以保留到小数位
'''
y = data.iloc[:,0].values.astype('float')
'''
这就是分割操作，test_size是测试集的占比，然后random_state固定的话可以让每次的训练集和测试集都是固定的（也就是说哪次选第几行做训练集，下次再次执行不会再变）保持 random_state 不变是确保机器学习实验稳定性和可重复性的关键所在。当比较不同模型的时候，训练集和测试集一样就很重要了
'''
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=1)

#2在训练集上训练回归模型linregt
linregt = LinearRegression()  #先要创建一个要来学习数据的对象
linregt.fit(x_train,y_train) #fit就是在训练（其中隐藏着很多算法）相当于给这个数据喂饭吃
print(linregt.intercept_,linregt.coef_) #训练好后linrgt现在就相当于是一个线性预测函数了，所以他就有它固定的系数和截距，intercept就是截距,coef_就是[w1,w2,...wn]的值

#3在测试集上应用模型，计算预测结果，以及测出RMSE和决定系数R^2(这两个就有利于判断函数的准确度）
from sklearn import metrics  #metrics里面就包含很多评估指标的计算方法
y_test_pred = linregt.predict(x_test) #一般情况下，我们测试的时候就不用训练集
test_err = metrics.mean_absolute_error(y_test,y_test_pred) #这里计算出RMSE(均方误差）
predict_score = linregt.score(x_test,y_test) #这里算出了决定系数（决定系数比较重要）

'''
为什么说决定系数比较重要，因为对于均方误差，其实只要数据足够多，就算拟合地再好，只要不是完全拟合，均方误差都会一直增大，很难看出来到底拟合地怎么样，但是决定系数可以，越接近1拟合得越好。

这里还要注意均方误差的参数是y的实际值以及y的预测值（因为就是对他们的差集做平方和相加），其实就相当于一个数学公式，与f没什么关系其实
而决定系数的参数是x的实际值和y的实际值，因为可以看到他是用linregt算的，这个linregt以及是一个固定的函数了，所以也默认包含了y的实际值等信息，所以这个时候你只要把x和y输入就可以判断这个准不准了
'''

这是那个数据集的样子，这和我data怎么取是有很大关系的，大家可以看一看

好啦，今天的机器学习就结束了。创建一个好的模型是很重要的，但更重要的是理解模型的工作原理。学海无涯，但是有你们的陪伴就不苦辣，大家一起加油！