人工智能——线性回归（Python实现）

最新推荐文章于 2024-08-21 10:57:28 发布
最新推荐文章于 2024-08-21 10:57:28 发布
阅读量1.2k 收藏 17
点赞数 22
分类专栏： 2024年程序员学习 文章标签： 人工智能 线性回归 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84139610/article/details/137667074
版权

3、代码实现（Python）

（1）机器学习库（sklearn.linear_model）

代码：

from sklearn import linear_model

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt#用于作图

from pylab import *

mpl.rcParams[‘font.sans-serif’] = [‘SimHei’]

mpl.rcParams[‘axes.unicode_minus’] = False

import numpy as np#用于创建向量

reg=linear_model.LinearRegression(fit_intercept=True,normalize=False)

x=[[32.50235],[53.4268],[61.53036],[47.47564],[59.81321],[55.14219],[52.14219],[39.29957],

[48.10504],[52.55001],[45.41873],[54.35163],[44.16405],[58.16847],[56.72721]]

y=[31.70701,68.7776,62.56238,71.54663,87.23093,78.21152,79.64197,59.17149,75.33124,71.30088,55.16568,82.47885,62.00892

,75.39287,81.43619]

reg.fit(x,y)

k=reg.coef_#获取斜率w1,w2,w3,…,wn

b=reg.intercept_#获取截距w0

x0=np.arange(30,60,0.2)

y0=k*x0+b

print(“k={0},b={1}”.format(k,b))

plt.scatter(x,y)

plt.plot(x0,y0,label=‘LinearRegression’)

plt.xlabel(‘X’)

plt.ylabel(‘Y’)

plt.legend()

plt.show()

结果：

k=[1.36695374],b=0.13079331831460195

（2）Python详细实现（方法1）

代码：

#方法1

import numpy as np

import matplotlib.pyplot as plt

from pylab import *

mpl.rcParams[‘font.sans-serif’] = [‘SimHei’]

mpl.rcParams[‘axes.unicode_minus’] = False

#数据生成

data = []

for i in range(100):

x = np.random.uniform(3., 12.)

mean=0, std=1

eps = np.random.normal(0., 1)

y = 1.677 * x + 0.039 + eps

data.append([x, y])

data = np.array(data)

#统计误差

y = wx + b

def compute_error_for_line_given_points(b, w, points):

totalError = 0

for i in range(0, len(points)):

x = points[i, 0]

y = points[i, 1]

computer mean-squared-error

totalError += (y - (w * x + b)) ** 2

average loss for each point

return totalError / float(len(points))

#计算梯度

def step_gradient(b_current, w_current, points, learningRate):

b_gradient = 0

w_gradient = 0

N = float(len(points))

for i in range(0, len(points)):

x = points[i, 0]

y = points[i, 1]

grad_b = 2(wx+b-y)

b_gradient += (2/N) * ((w_current * x + b_current) - y)

grad_w = 2(wx+b-y)*x

w_gradient += (2/N) * x * ((w_current * x + b_current) - y)

update w’

new_b = b_current - (learningRate * b_gradient)

new_w = w_current - (learningRate * w_gradient)

return [new_b, new_w]

#迭代更新

def gradient_descent_runner(points, starting_b, starting_w, learning_rate, num_iterations):

b = starting_b

w = starting_w

update for several times

for i in range(num_iterations):

b, w = step_gradient(b, w, np.array(points), learning_rate)

return [b, w]

def main():

learning_rate = 0.0001

initial_b = 0 # initial y-intercept guess

initial_w = 0 # initial slope guess

num_iterations = 1000

print(“迭代前 b = {0}, w = {1}, error = {2}”

.format(initial_b, initial_w,

compute_error_for_line_given_points(initial_b, initial_w, data))

)

print(“Running…”)

[b, w] = gradient_descent_runner(data, initial_b, initial_w, learning_rate, num_iterations)

print(“第 {0} 次迭代结果 b = {1}, w = {2}, error = {3}”.

format(num_iterations, b, w,

compute_error_for_line_given_points(b, w, data))

)

plt.plot(data[:,0],data[:,1], color=‘b’, marker=‘+’, linestyle=‘–’,label=‘true’)

plt.plot(data[:,0],w*data[:,0]+b,color=‘r’,label=‘predict’)

plt.xlabel(‘X’)

plt.ylabel(‘Y’)

plt.legend()

plt.show()

if name == ‘main’:

main()

结果：

迭代前 b = 0, w = 0, error = 186.61000821356697

Running…

第 1000 次迭代结果 b = 0.20558501549252192, w = 1.6589067569038516, error = 0.9963685680112963

（3）Python详细实现（方法2）

代码：

#方法2

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib as mpl

mpl.rcParams[“font.sans-serif”]=[“SimHei”]

mpl.rcParams[“axes.unicode_minus”]=False

y = wx + b

#Import data

file=pd.read_csv(“data.csv”)

def compute_error_for_line_given(b, w):

totalError = np.sum((file[‘y’]-(w*file[‘x’]+b))**2)

return np.mean(totalError)

def step_gradient(b_current, w_current, learningRate):

b_gradient = 0

w_gradient = 0

N = float(len(file[‘x’]))

for i in range (0,len(file[‘x’])):

grad_b = 2(wx+b-y)

b_gradient += (2 / N) * ((w_current * file[‘x’] + b_current) - file[‘y’])

grad_w = 2(wx+b-y)*x

w_gradient += (2 / N) * file[‘x’] * ((w_current * file[‘x’] + b_current) - file[‘x’])

update w’

new_b = b_current - (learningRate * b_gradient)

new_w = w_current - (learningRate * w_gradient)

return [new_b, new_w]

def gradient_descent_runner( starting_b, starting_w, learning_rate, num_iterations):

b = starting_b

w = starting_w

update for several times

for i in range(num_iterations):

b, w = step_gradient(b, w, learning_rate)

return [b, w]

def main():

learning_rate = 0.0001

initial_b = 0 # initial y-intercept guess

initial_w = 0 # initial slope guess

num_iterations = 100

print(“Starting gradient descent at b = {0}, w = {1}, error = {2}”

.format(initial_b, initial_w,

compute_error_for_line_given(initial_b, initial_w))

)

print(“Running…”)

[b, w] = gradient_descent_runner(initial_b, initial_w, learning_rate, num_iterations)

print(“After {0} iterations b = {1}, w = {2}, error = {3}”.

format(num_iterations, b, w,

compute_error_for_line_given(b, w))

)

plt.plot(file[‘x’],file[‘y’],‘ro’,label=‘线性回归’)

plt.xlabel(‘X’)

plt.ylabel(‘Y’)

plt.legend()

plt.show()

if name == ‘main’:

main()

结果：

Starting gradient descent at b = 0, w = 0, error = 75104.71822821398

Running…

After 100 iterations b = 0 0.014845

1 0.325621

2 0.036883

3 0.502265

4 0.564917

5 0.479366

6 0.568968

7 0.422619

8 0.565073

9 0.393907

10 0.216854

11 0.580750

12 0.379350

13 0.361574

14 0.511651

dtype: float64, w = 0 0.999520

1 0.994006

2 0.999405

3 0.989645

4 0.990683

5 0.991444

6 0.989282

7 0.989573

8 0.988498

9 0.992633

10 0.995329

11 0.989490

12 0.991617

13 0.993872

14 0.991116

dtype: float64, error = 6451.5510231710905

数据：

（4）Python详细实现（方法3）

#方法3

import numpy as np

points = np.genfromtxt(“data.csv”, delimiter=“,”)

#从数据读入到返回需要两个迭代循环，第一个迭代将文件中每一行转化为一个字符串序列，

#第二个循环迭代对每个字符串序列指定合适的数据类型:

y = wx + b

def compute_error_for_line_given_points(b, w, points):

totalError = 0

for i in range(0, len(points)):

x = points[i, 0]

y = points[i, 1]

computer mean-squared-error

totalError += (y - (w * x + b)) ** 2

average loss for each point

return totalError / float(len(points))

def step_gradient(b_current, w_current, points, learningRate):

b_gradient = 0

w_gradient = 0

N = float(len(points))

for i in range(0, len(points)):

x = points[i, 0]

y = points[i, 1]

grad_b = 2(wx+b-y)

b_gradient += (2 / N) * ((w_current * x + b_current) - y)

grad_w = 2(wx+b-y)*x

w_gradient += (2 / N) * x * ((w_current * x + b_current) - y)

update w’

new_b = b_current - (learningRate * b_gradient)

new_w = w_current - (learningRate * w_gradient)

return [new_b, new_w]

def gradient_descent_runner(points, starting_b, starting_w, learning_rate, num_iterations):

b = starting_b

w = starting_w

update for several times

for i in range(num_iterations):

b, w = step_gradient(b, w, np.array(points), learning_rate)

return [b, w]

def main():

learning_rate = 0.0001

initial_b = 0 # initial y-intercept guess

initial_w = 0 # initial slope guess

num_iterations = 1000

print(“Starting gradient descent at b = {0}, w = {1}, error = {2}”

.format(initial_b, initial_w,

compute_error_for_line_given_points(initial_b, initial_w, points))

)

print(“Running…”)

[b, w] = gradient_descent_runner(points, initial_b, initial_w, learning_rate, num_iterations)

print(“After {0} iterations b = {1}, w = {2}, error = {3}”.

format(num_iterations, b, w,

compute_error_for_line_given_points(b, w, points))

)

if name == ‘main’:

main()

4、案例——房屋与价格、尺寸

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
img
img



既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）
img

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
img

注Python）**
[外链图片转存中…(img-RIFUyl3l-1712885432518)]

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-1RcAkcmy-1712885432518)]

2401_84139610
关注
专栏目录
线性回归python代码
03-18
代码用python写成，实现一个机器学习中线性回归的功能
机器学习-线性回归的各种操作代码
zn2021220822的博客
10-11 685
机器学习-线性回归的各种操作代码
机器学习线性回归算法——原理+python详细代码解析（sklearn）
最新发布
qq_45932996的博客
08-21 1382
线性回归算法作为经典的机器学习算法之一，拥有极为广泛的应用范围，深受业界人士的青睐。该算法主要用于研究分析响应变量如何受到特征变量的线性影响。其通过构建回归方程，借助各特征变量对响应变量进行拟合，并且能够利用回归方程进行预测。鉴于线性回归算法较为基础、简单，所以比较容易入门。线性回归算法是一种较为基础的机器学习算法，基于特征（自变量、解释变量、因子、协变量）和响应变量（因变量、被解释变量）之间存在的线性关系。线性回归算法的数学模型为：y=α+β1x1+β2x2+…+βnxn+ε。
python实现线性回归
qq_45830471的博客
07-13 3579
线性回归是无监督学习中的一种算法，根据用户输入的特征数据进行预测，比如根据房子的尺寸来预测房价.
机器学习 | 线性回归（Linear Regression）
weixin_63292027的博客
12-23 1144
sklearn中的线性模型模块是linear_model，在这一篇文章中，主要介绍的是普通线性回归LinearRegression，介绍了简单的案例，以及分析了MSE、R2、EVS等评估指标。
python代码实现线性回归
weixin_40623018的博客
04-26 1070
python代码实现线性回归
线性回归 python代码
weixin_35756690的博客
01-27 519
下面是一个线性回归模型的 Python 代码示例： import numpy as np from sklearn.linear_model import LinearRegression # 训练数据 x = np.array([[1], [2], [3], [4], [5]]) y = np.array([5, 7, 9, 11, 13]) # 建立模型 reg = LinearRegre...
线性回归python源码
08-24
线性回归python代码实例，数据集较小，准确率仍然能达到80%。
Python自己实现线性回归算法
10-12
可详细参考博主文章《【机器学习+sklearn框架】（一） 线性模型之Linear Regression》的公式推导，结合代码进行学习。
人工智能——多项式回归（Python）
2401_84139944的博客
04-26 958
print(‘Coefficients:’, lin_reg_2.coef_) #查看回归方程系数(k)print(‘intercept:’, lin_reg_2.intercept_) ##查看回归方程截距(b)
线性回归 代码实现
08-07
线性回归，通过TensorFlow实现
线性回归 c++代码实现
05-05
线性回归 公式 线性回归 公式 线性回归 公式 线性回归 公式
python线性回归算法
04-25
使用python实现的线性回归算法，拟合一条直线并通过直线预测值。
分类——逻辑回归Python实现
Python，数据分析，机器学习，深度学习
07-20 4661
一、确认训练数据 import numpy as np import matplotlib.pyplot as plt #读入训练数据 train = np.loadtxt('D:/深度之眼/study/sourcecode-cn/sourcecode-cn/images2.csv', delimiter=',', skiprows=1) train 打印结果 二、逻辑回归实现 train_x = train[:,0:2] train_y = train[:,2] #初始化参数 theta.
5.1 tensorflow2实现简单线性回归分析——python实战
炫云云
03-02 1171
带你全面理解简单线性回归分析，从零开始构建。 技术点：拟合优度检验、整体拟合效果的F检验、模型参数显著性T检验、置信区间估计、最小二乘法。 代码是从零开始构建。 感谢你的阅读，专栏文章持续更新，希望感兴趣的伙伴点个赞，关注不迷路！你的支持是我前进的动力！ 深耕于机器学习算法、深度学习、数据分析等领域，希望我这微不足道的知识能帮到您。
Python—线性回归
热门推荐
平平淡淡，戒急用忍，一生学闭嘴。
11-22 3万+
目录 1.简单线性回归模型2.多元线性回归模型2.1 应用F检验法完成模型的显著性检验2.2应用t检验法完成回归系数的显著性检验 3.基于回归模型识别异常点4.含有离散变量的回归模型 前言： 线性回归模型属于经典的统计学模型，该模型的应用场景是根据已知的变量（即自变量）来预测某个连续的数值变量（即因变量）。例如餐厅根据媒体的营业数据（包括菜谱价格、就餐人数、预订人数、特价菜折扣等）预测就餐规模或营业额；网站根据访问的历史数据（包括新用户的注册量、老用户的活跃度、网站内容的更新频率等）预测用户的支
线性回归python代码实现
雨化于画
11-18 378
import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签 input_x = [0.50,0.75,1.00,1.25,1.50,1.75,1.75,2.00,2.25,2.50,2.75,3.00,3.25,3.50,4.00,4.25,4.50,4.75,5.00,5.50] input_y = [10, 26, 23, 43, 20, 22,
机器学习之线性回归（python）
PY洋洋
01-07 5838
一、基本概念 二、概念的数学形式表达 三、确定w和b 1.读取或输入数据 2.归一化、标准化 2.1 均值 2.2 归一化 2.3 标准化 3.求解w和b 1.直接解方程 2.最小二乘法（least square method）求解： 4. 评估回归模型 四、sklearn中的线性回归
线性回归 python
09-04
您好！对于线性回归的实现，您可以使用Python中的Scikit-learn库来进行。下面是一个简单的示例代码： ```python # 导入所需的库 import numpy as np from sklearn.linear_model import LinearRegression # 创建示例数据 X = np.array([[1], [2], [3], [4], [5]]) # 自变量 y = np.array([2, 4, 6, 8, 10]) # 因变量 # 创建并训练线性回归模型 model = LinearRegression() model.fit(X, y) # 进行预测 X_test = np.array([[6]]) y_pred = model.predict(X_test) print("预测结果:", y_pred) ``` 在这个示例中，我们使用了一个简单的一维自变量 X 和对应的因变量 y 来创建了一个线性回归模型。然后，我们使用该模型对新的自变量 X_test 进行预测，并打印出预测结果。 当然，线性回归模型还有很多其他的参数和功能可以调整和使用，这只是一个最基本的例子。您可以根据实际需求来对模型进行进一步的调整和优化。希望能对您有所帮助！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值