机器学习——线性回归（拟合一条直线）

 

什么是机器学习？

         百度百科上说：“机器程序从经验E中学习解决某一任务T进行某一性能度量P，通过P测定在T上的表现因经验而提高。”

         我自己认为机器学习就是让机器用现有的数据和算法，得出参数。从而得到可以直接使用的模型。

机器学习一般可以分为两类：有监督学习和无监督学习。

那什么是线性回归呢？

          线性回归是一种x和y之间的关系为线性关系的回归分析，而回归分析就是一种因变量为连续值得监督学习。

---

用数据拟合一条直接是线性数据回归模拟最简单的形式了。所以要从最简单的一元线性回归开始学习。

问题

用所学知识用下面数据获得最佳拟合直线（如下图）

//数据来源
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
import numpy as np
rng = np.random.RandomState(1)
x = 10 * rng.rand(50)
y = 2 * x - 5 + rng.randn(50)
plt.scatter(x,y)

一、拟合数据

可以用Scikit-Learn的LinearRegression评估器来拟合数据, 并获得最佳拟合直线。

二、使用步骤

1.引入库

代码如下：

from sklearn.linear_model import LinearRegression
#线性回归，导入scikit-learn包

2.创建模拟

代码如下：

model = LinearRegression(fit_intercept=True)
#创建一个类的实例LinearRegression，它将代表回归模型。fit_intercept参数为True代表计算截距

3.创建测试数据

代码如下：

model.fit(x[:,np.newaxis],y)
#model.fit()中x，y和模拟定义时的inputs，outputs形状一致
#np.newaxis->插入新维度，假如x是一个（5，）的数组，x[:,np.newaxis]->就变为（5，1）的二维数组
xfit = np.linspace(0,10,1000)
#即，将0-10分成1000份
yfit = model.predict(xfit[:,np.newaxis])
#model.predict输入测试数据，预测结果

4.生成最佳拟合直线

代码如下：

plt.scatter(x,y)
#生成一个散点图
plt.plot(xfit,yfit);
#生成拟合直线

 

图片如下：

  

 

5.检查拟合效果

代码如下：

print(model.coef_[0])
#查看拟合直线的斜率
print(model.intercept_)
#查看拟合直线的截距

结果如下：

 

拟合结果与真实值非常接近

---

总结

以上就是拟合一条线性直线的讲解（如果对你理解线性回归确实有帮助的话，帮忙点个赞，同时也欢迎指出问题）