机器学习1——手把手教你用Python跑一个线性回归模型

目录

一、前期准备

1.Scikit-learn

2.matplotlib 

二、机器学习过程

三、代码框架

四、完整代码

1.导入所需库

2.准备训练数据

3.喂入训练数据

4.结果预测 

5.输出模型中的w与b值 

6.可视化 

7.传入不规则数据

---

 

一、前期准备

在机器学习中我们使用Python居多，这里就不写Python的安装步骤了。这里主要讲跑机器学习需要用到的库。

1.Scikit-learn

这是一个机器学习库之一，是基于 Python 语言实现的机器学习算法库，它包含了常用的机器学习算法，比如回归、分类、聚类、支持向量机、随机森林等等。同时，它使用 NumPy 库进行高效的科学计算，比如线性代数、矩阵等等。

在Windows搜索栏搜索“cmd”进入命令指示栏窗口，在其中输入如下代码：

pip install scikit-learn

敲击回车就可以看到cmd在自动下载内容。

2.matplotlib 

matplotlib是可视化绘图工具包，与上述一致，在cmd中输入

pip install matplotlib 

并敲击回车，等待下载完成。

二、机器学习过程

“回归模型”其实就是指通过一个给定的数据集来预测值的模型，比较类似于初中时的给几对(x,y)数据求函数表达式，并依据表达式预测出剩余x所对应的y。

例如：这里有(1,3)、(2,5)两个点，要求(3,?)的问号值。这个题给初中生甚至小学生都会做，但我们还是需要捋清楚我们的解题步骤：

第一步，设定函数。在做此题时我们会先设一个函数y=kx+b。这个过程在机器学习中被称为假设函数。

第二步，解出k、b的值。在设好函数后，我们会将已知的两个数据(1,3)、(2,5)代入方程中，通过消元法解出k、b的值。在机器学习中，(1,3)、(2,5)这两个点称为数据集，将处理好的数据集喂给模型，模型就能自动解出k、b。解决线性回归问题的关键就在于求出这些值。

第三步，将(3,?)代入解出的函数中，求出?的值。

没错，实际上机器学习的回归模型就是一个不停解出系数的过程。只不过在实际应用中，我们需要的自变量不只x一个，而是有很多个，所以真正的假设函数长这个样子：

 

这里，我们的自变量将不只一个，而是有很多个，自变量前面的字母也不是k，而是