python线性回归欠拟合与过拟合处理

本文探讨了线性回归在实际业务中遇到的欠拟合和过拟合问题,指出可以通过引入多项式特征来改善线性回归对非线性函数的拟合。以高斯分布的线性回归为例,当degree为1时出现欠拟合,degree为10时则出现过拟合。进一步,文章通过房价与房屋面积的数据进行实例验证。
摘要由CSDN通过智能技术生成

线性回归欠拟合与过拟合的情况再实际业务中会非常普遍,这时我们需要用到多项式特征的线性回归来逼近非线性函数。如下图我们看degree不同角度下的拟合情况:当角度为1的时候(高斯分布的线性回归)出现欠拟合的情况,当角度为10的时候出现过拟合的情况。
在这里插入图片描述
接这用房价与房屋面积这组数据来验证

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

data=pd.DataFrame({
   'square_feet':[150,200,230,255,260,340,700,720,790,850,900,950,1000],
                   'price':[5450,6850,8750,9650,10450,13450<
  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值