sklearn 使用make_regression生成回归样本数据及NumPy拟合

1. 介绍

sklearn的make_regression函数能生成回归样本数据。

2. 函数语法

make_regression(n_samples=100, n_features=100, n_informative=10, n_targets=1, bias=0.0, 
                effective_rank=None, tail_strength=0.5, noise=0.0, shuffle=True, coef=False, random_state=None)

3. 参数说明：

n_samples：样本数
n_features：特征数(自变量个数)
n_informative：参与建模特征数
n_targets：因变量个数
noise：噪音
bias：偏差(截距)
coef：是否输出coef标识
random_state：随机状态若为固定值则每次产生的数据都一样

4. 示例

我们先引入make_regression并调用：

from sklearn.datasets import make_regression
X,Y=make_regression(n_samples=10, n_features=1,n_targets=1,noise=1.5,random_state=1)

查看生成的数据长度：

X.shape,Y.shape

((10, 1), (10,))

查看X,Y的值:

X,Y

(array([[-2.3015387 ],
        [-0.7612069 ],
        [-0.52817175],
        [ 1.74481176],
        [ 0.3190391 ],
        [-0.61175641],
        [ 1.62434536],
        [ 0.86540763],
        [-1.07296862],
        [-0.24937038]]),
 array([-8.304904  , -5.45675077, -2.60859753,  0.2395557 ,  3.08770894,
         5.93586217]))

import matplotlib.pyplot as plt
plt.scatter(
    X, #x坐标
    Y, #y坐标
);
plt.show()

5. 用NumPy实现拟合

Numpy拟合基于最小二乘法

plt.scatter(
    X, #x坐标
    Y, #y坐标
);

import numpy as np
#用一次多项式拟合，相当于线性拟合
z1 = np.polyfit(X.reshape(10), Y, 1)
p1 = np.poly1d(z1)
print (z1)
print (p1)

y = z1[0] * X + z1[1]
plt.plot(X, y,c='red')
plt.show()

[2.84815324 0.2395557 ]
 
2.848 x + 0.2396