python3.7 机器学习-Day2-CSDN博客

本文链接：https://blog.csdn.net/Yuan_mingyu/article/details/87288340

代码来源

(https://github.com/MLEveryday/100-Days-Of-ML-Code.git)

说明：文章中的python代码大部分来自于github（少数是学习时测试添加），所附笔记为学习时注。

Day2 简单线性回归

基本步骤：

数据预处理–>通过训练集来训练简单线性回归模型–>预测结果–>可视化

学习笔记（含测试部分）

# Day2:Simple_Linear_Regression
# 2019.2.14
# coding=utf-8

# Data Preprocessing

# 1.引入所需要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 2.导入数据
dataset = pd.read_csv('C:/Users/Ymy/Desktop/100-Days-Of-ML-Code/datasets/studentscores.csv');
# X为导入dataset的第0列，Y为第1列
X = dataset.iloc[:,:1].values
Y = dataset.iloc[:,1].values

# 3.检查缺失数据（由于此数据无缺失值，此步骤省略）

# 4.划分数据集（测试集合占25%)
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 1/4, random_state = 0)

#  Fitting Simple Linear Regression Model to the training set

# 1.使用sklearn.linear_model的LinearRegression类
from sklearn.linear_model import LinearRegression

# 2.创建LinearRegression类的对象regressor,并使用fit()方法
'''
 fit方法：
 def fit(self, X, y, sample_weight=None):
        """
        Fit linear model.
        Parameters（参数）
        ----------
        X （训练数据）: array-like or sparse matrix, shape (n_samples, n_features)
            Training data
            
        y （目标值）: array_like, shape (n_samples, n_targets)
            Target values. Will be cast to X's dtype if necessary
            
        sample_weight : numpy array of shape [n_samples]
            Individual weights for each sample
            .. versionadded:: 0.17
               parameter *sample_weight* support to LinearRegression.
        Returns（返回值）
        -------
        self : returns an instance of self.
        """
'''
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

# Predecting the Result
# 使用上一步的方法，预测测试集的结果
'''
 predict方法：
 def predict(self, X):
        """
        Predict using the linear model
        Parameters
        ----------
        X : array_like or sparse matrix, shape (n_samples, n_features)
            Samples.
        Returns
        -------
        C : array, shape (n_samples,)
            Returns predicted values.
        """
'''
Y_pred = regressor.predict(X_test)

# Visualising the Training results(可视化训练集结果,18组数据)

# 1.绘制x,y的散点图，点的颜色为黄色
# matplotlib.pyplot的scatter方法（具体细节见底部链接）
'''
def scatter(
        x, y, s=None, c=None, marker=None, cmap=None, norm=None,
        vmin=None, vmax=None, alpha=None, linewidths=None, verts=None,
        edgecolors=None, *, data=None, **kwargs)
        """
        Parameters
        ----------
         x, y : array_like, shape (n, ) The data positions.
         s : scalar or array_like, shape (n, ), optional
         c : color, sequence, or sequence of color, optional
        """
'''


plt.scatter(X_train , Y_train, color = 'yellow')

# 2.绘制训练集X与根据训练集方法所预测的'Y',颜色为黑色
# matplotlib.pyplot的plot方法（具体细节见底部链接）

plt.plot(X_train , regressor.predict(X_train), color ='black')

# 3.显示(此处如果显示，图中包含18个散点)
#plt.show()

# Visualizing the test results（可视化测试集结果）
#操作同上

plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')
#此处显示,图中包含25个点，即全部数据
plt.show()