Python多元线性回归(1)

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200511233207574.png)  

6.线性回归

sklearn线性回归

lrg = LinearRegression();

model = lrg.fit(X_train,Y_train); #训练

print(model);

print(lrg.intercept_); #输出截距

coef = zip([‘TV’,‘Radio’,‘Newspaper’],lrg.coef_) #特征和系数对应 打包对应为元组

for T in coef :

print(T); #输出系数

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200511233230435.png)  

7.预测

#预测

y_pred = lrg.predict(X_test);

print(y_pred); #输出测试值

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200511233249956.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)  

8.#评价测度

#评价测度 对于分类问题，评价测度是准确率，但其不适用于回归问题，因此使用针对连续数值的评价测度（evaluation metrics）。

这里介绍3种常用的针对线性回归的评价测度。·

平均绝对误差（Mean Absolute Error，MAE）；

·均方误差（Mean Squared Error，MSE）；

·均方根误差（Root Mean Squared Error，RMSE）。这里使用RMES进行评价测度。

print(“预测”);

print(type(y_pred),type(Y_test));

print(len(y_pred),len(Y_test)); # len() 方法返回对象（字符、列表、元组等）长度或项目个数。

sum_mean = 0;

for i in range(len(y_pred)): #for循环

sum_mean+=(y_pred[i]-Y_test.values[i])**2;

sum_erro = np.sqrt(sum_mean/len(y_pred)); # sqrt()根号 均方根误差

print(“均方根误差”,sum_erro);

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200511233309813.png)  

9.绘制ROC曲线

plt.figure();

plt.plot(range(len(y_pred)),y_pred,‘b’,label=“predict”); #x: x轴上的数值 y: y轴上的数值 ls：折线图的线条风格 lw：折线图的线条宽度 label：标记图内容的标签文本

plt.plot(range(len(Y_test)),Y_test,‘r’,label=“test”);

plt.xlabel(“the number of sales”);

plt.ylabel(“value of sales”);

plt.legend(); # 用于显示plot函数里面 label标签

plt.show();

输出  

![在这里插入图片描述](https://img-blog.csdnimg.cn/20200511233416587.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDIzNTEwOQ==,size_16,color_FFFFFF,t_70)



 





**一、Python所有方向的学习路线**

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

![img](https://img-blog.csdnimg.cn/1d40facda2b84990b8e1743f5487d455.png)  
![img](https://img-blog.csdnimg.cn/0fc11d4a31bd431dbf124f67f1749046.png)

**二、Python必备开发工具**

工具都帮大家整理好了，安装就可直接上手！![img](https://img-blog.csdnimg.cn/ff266f529c6a46c4bc28e5f895dec647.gif#pic_center)

**三、最新Python学习笔记**

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

![img](https://img-blog.csdnimg.cn/6d414e9f494742db8bcc3fa312200539.png)

**四、Python视频合集**

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

![img](https://img-blog.csdnimg.cn/a806d9b941c645858c61d161aec43789.png)

**五、实战案例**

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。![img](https://img-blog.csdnimg.cn/a353983317b14d3c8856824a0d6186c1.png)

**六、面试宝典**

![在这里插入图片描述](https://img-blog.csdnimg.cn/97c454a3e5b4439b8600b50011cc8fe4.png)

![在这里插入图片描述](https://img-blog.csdnimg.cn/111f5462e7df433b981dc2430bb9ad39.png)

###### **简历模板**![在这里插入图片描述](https://img-blog.csdnimg.cn/646863996ac44da8af500c049bb72fbd.png#pic_center)




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**

**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！**