目录
一、线性回归简介
1.1 线性回归的应用场景
房价预测、销售额度预测、贷款额度预测等
1.2 什么是线性回归
线性回归( Linear regression)是利用回归方程(函数)对一个或者多个自变量(特征值)和因变量(目标值)
之间关系进行建模的一种分析。
- 特点:只有一个自变量的情况称为单变量回归,多于一个自变量的情况的叫做多元回归
- 线性回归用矩阵表示举例
写成矩阵形式:
从列的角度看:
那么怎么理解呢? 我们来看几个例⼦
- 期末成绩: 0.7×考试成绩+0.3×平时成绩
- 房⼦价格 = 0.02×中⼼区域的距离 + 0.04×城市⼀氧化氮浓度 + (-0.12×⾃住房平均房价) + 0.254×城镇犯罪率
上面两个例子, 我们看到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。
1.2 线性回归的特征与目标的关系分析
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。 在这⾥我们只能画⼀个平⾯更好去理解, 所以都用单个特征或两个特征举例⼦。
- 线性关系
单变量线性关系: 多变量关系:
注释: 单特征与目标值的关系呈直线关系, 或者两个特征与目标值呈现平面的关系
- 非线性关系
注释: 为什么会这样的关系呢? 原因是什么?
如果是非线性关系, 那么回归放程可以理解为:
二、线性回归api初步使用
2.1 线性回归API
2.2 举例
2.3 代码过程
# coding:utf-8
from sklearn.linear_model import LinearRegression
# 1.获取数据
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]
# 2.模型训练
# 2.1 实例化一个估计器
estimator = LinearRegression()
# 2.2 使用fit方法进行训练
estimator.fit(x, y)
# 打印对应的系数:
print("线性回归的系数是:\n", estimator.coef_)
# 打印的预测结果是:
print("输出预测结果:\n", estimator.predict([[100, 80]]))
结果: