1 线性回归简介
线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。
- h代表学习算法的解决方案或函数,也称为假设(hypothesis),h(x)代表预测的值
注意:
- 只有一个自变量的情况称为单变量回归,多于一个自变量情况的叫做多元回归
- 特征值与目标值之间建立了一个关系,这个关系可以理解为线性模型。
- 线性回归当中主要有两种模型,一种是线性关系,另一种是非线性关系
2 线性回归的初步使用
线性回归API
sklearn.linear_model.LinearRegression()
LinearRegression.coef_
:回归系数
'''导入模块'''
from sklearn.linear_model import LinearRegression
'''构造数据集'''
x = [[80, 86],
[82, 80],
[85, 78],
[90, 90],
[86, 82],
[82, 90],
[78, 80],
[92, 94]]
y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4]
'''模型训练'''
# 实例化一个估计器
estimator = LinearRegression()
# 使用fit方法进行训练
estimator.fit(x,y)
# 查看回归系数值
coef = estimator.coef_
print("系数是:\n",coef) # [0.3 0.7]
# 预测值
prediction = estimator.predict([[100, 80]])
print("预测值是:\n",prediction) # [86.]
3 损失函数
为了评估模型拟合的好坏,通常用损失函数来度量拟合的程度。损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数