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!**