机器学习实验二：回归之线性回归

• 实验目的

1、理解监督学习中回归之线性回归；

2、掌握Sklearn提供的线性回归模型；

• 实验内容与要求

背景：与房价密切相关的除了单位的房价，还有房屋的尺寸。我们可以根据已知的房屋成交价和房屋的尺寸进行线性回归，继而可以对已知房屋尺寸，而未知房屋成交价格的实例进行成交价格的预测。

目标：对房屋成交信息建立回归方程，并依据回归方程对房屋价格进行预测技术路线：sklearn.linear_model.LinearRegression

实验过程:

使用算法：线性回归

实现步骤：

1. 建立工程并导入sklearn包

2. 加载训练数据，建立回归方程

3. 可视化处理

• 实验程序与结果

  import numpy as np
  import matplotlib.pyplot as plt
  from sklearn.linear_model import LinearRegression
  
  data = np.loadtxt('prices.txt', delimiter=',')
  
  plt.scatter(data[:, 0], data[:, 1], color='red')  # 使用红色标记绘制面积与价格的散点图
  
  # 使用线性回归进行训练
  model = LinearRegression()
  model.fit(np.array(data[:, 0]).reshape([-1, 1]), data[:, 1])  # 将面积数据转换为二维数组并与价格数据一起用于模型训练
  # 使用线性回归模型进行预测
  y_predict = model.predict(np.array(data[:, 0]).reshape([-1, 1]))  # 根据面积数据进行预测
  print(y_predict)
  
  plt.plot(data[:, 0], y_predict, color='purple', linewidth=2)  # 绘制线性回归曲线
  plt.xlabel('area/ft^2')  # x轴：“面积（平方英尺）”
  plt.ylabel('prince/ten thousand')  # y轴：“价格（万元）”
  plt.savefig('prince_predict.png')
  plt.show()
  

  四、实验结果分析

  通过数据的可视化直接观察房屋成交价格与房屋尺寸间，可以看出实际房价散点分布在预测直线两侧，且两侧的数量相近，说明预测直线比较合理，房价与面积间存在线性关系。

  五、实验问题解答与体会

  对于本实验的数据来说，散点图就可以很好的将其在二维平面中进行可视化表示。熟悉了线性回归的数学模型的建立与求解，通过对结果的分析建立回归模型，将实际问题转化为易懂的数学问题。说明了线性回归在实际生活中的重要作用，充分体现了数学建模的重要作用，学会建模以及常见软件操作的重要性。