监督学习下的基本线性回归实现

本文只涉及最基本的线性回归

首先我们来学习一下线性回归

一般来说，机器学习分为四个大类，监督学习，半监督学习，无监督学习以及强化学习。而在监督学习下又分为两大类：分类和回归。

那么什么叫回归呢？

简单来说，回归就是监督学习下针对于连续型变量的的一类问题的解决方法（因为分类是主要是解决离散型的）。比方说，我们根据一些数据拟合一个曲线，然后用你拟合的这个曲线去预测我们不知道的一些数据，给x预测y。

线性回归是回归类别下的一个分类，还有树回归等等。

那么这个线性是什么意思呢？

线性指的是系数的线性，这点很重要，这导致线性回归所能模拟的关系远远不止线性关系，我们通过对特征的非线性变化，以及广义线性模型推广，就可以使输出和特征之间的函数关系可以是高度非线性的；结合线性回归的易解释性，就使得它在深度学习非常火的今天也有着非常重要的地位。

下面开始介绍。

假如你有一些散点，例如像下面这样的，你想找到一条线，这条线跟这些点之间距离的平方和是最小的，然后你就能利用这条线去预测了。完，就是这么简单。

                                     

为啥还要距离的平方呢？

因为这个点到直线的距离公式有个绝对值，非常的讨厌，我们直接用平方去掉它，还能加大误差的显示，一箭双雕。

下面介绍怎么去实现。

我们需要的工具有：

1. python3
2. jupyter notebook
3. matplotlib库
4. sklearn库
5. numpy库
6. pandas库
7. ...

以上库均可以使用pip工具安装，非常的方便（记得改清华的源，不然等你下完python100都出来了）

安装完这些后，使用命令提示符打开jupyter notebook

点击new下的python3按钮

来到界面

输入以下代码导入库，具体什么用自己查

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model
from sklearn.linear_model import LinearRegression

然后，自己创造一些数据，使用reshape函数给他归到一列

lr=LinearRegression()
x=np.array([150,200,250,300,350,400,600])
y=np.array([6450,7450,8450,9540,11450,15450,18450])
op=x.reshape(-1,1)
po=y.reshape(-1,1)

使用fit去训练，predict预测，score评估

lr.fit(op,po)
predictions=lr.predict(op)

最后用plt画出来

plt.scatter(x,y)
plt.plot(x,predictions)
plt.show()

我们就能得到拟合的曲线