2 - L2_1 机器学习 | 简单线性回归模型-CSDN博客

本文链接：https://blog.csdn.net/hazel_cjx/article/details/139977164

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

线性回归概念

回归的目的是通过已知变量预测未知变量，而线性回归通过两个或多个变量之间的线性关系来进行预测。

线性回归代码实现

#数据预处理
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#定义特征和目标变量
dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[ : , :1].values
Y = dataset.iloc[ : , 1].values

#拆分为训练集和测试集
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)

dataset.head()

#简单线性回归模型
from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

#预测结果
Y_pred = regressor.predict(X_test)

#训练集可视化
plt.scatter(X_train, Y_train, color='r')
plt.plot(X_train, regressor.predict(X_train), color='b')

plt.show()

#训练集预测结果可视化
plt.scatter(X_test, Y_test, color='r')
plt.plot(X_test, regressor.predict(X_test), color='b')

plt.show()

任务：使用LinearRegression，通过鸢尾花花瓣长度预测花瓣宽度

1. 数据预处理

#获取数据方法一(同教案)
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['花萼-length', '花萼-width', '花瓣-length', '花瓣-width', 'class']

dataset = pd.read_csv(url, names=names)
dataset

#获取数据方法二（seaborn built-in datasets）
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

#定义特征X和目标变量y
iris = sns.load_dataset('iris')
X = iris.iloc[ : , 2:3].values #花瓣长度
y = iris.iloc[ : , -2:-1].values #花瓣宽度  #y=iris.iloc[:,3]

#拆分训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=42)

#iris.head()
iris

2. 简单线性回归模型

from sklearn.linear_model import LinearRegression

regressor = LinearRegression() #创建线性回归模型
regressor = regressor.fit(X_train, y_train) #使用训练集训练模型

3. 预测结果

y_pred = regressor.predict(X_test)

4. 可视化 (seaborn)

import seaborn as sns
import matplotlib.pyplot as plt

# 创建一个包含两个子图的图形。1, 2 表示1行2列，figsize 设置图形的大小
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

# 可视化训练集结果
#plt.figure(figsize=(10, 6))
sns.scatterplot(x=X_train.flatten(), y=y_train.flatten(), color='red', label='Training data', ax=ax1)
sns.lineplot(x=X_train.flatten(), y=regressor.predict(X_train).flatten(), color='blue', label='Regression line', ax=ax1)
ax1.set_title('Training set results')
ax1.set_xlabel('Petal Length')
ax1.set_ylabel('Petal Width')
ax1.legend()

# 可视化测试集结果
#plt.figure(figsize=(10, 6))
sns.scatterplot(x=X_test.flatten(), y=y_test.flatten(), color='red', label='Test data', ax=ax2)
sns.lineplot(x=X_test.flatten(), y=regressor.predict(X_test).flatten(), color='blue', label='Regression line', ax=ax2)
ax2.set_title('Test set results')
ax2.set_xlabel('Petal Length')
ax2.set_ylabel('Petal Width')
ax2.legend()

#调整子图间距并显示图像
plt.tight_layout()
plt.show()