机器学习实战——线性回归模型

最新推荐文章于 2022-08-26 19:34:38 发布
最新推荐文章于 2022-08-26 19:34:38 发布
阅读量1.4k 收藏 12
点赞数 2
分类专栏： 机器学习 文章标签： 线性回归 岭回归 Lasso回归 ElasticNet回归
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/huayunhualuo/article/details/100077963
版权

线性回归模型

基本设置

导入包

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model, discriminant_analysis,model_selection

使用数据集是scikit-learn自带的一个糖尿病人的数据集，该数据集的采样特点如下

  • 数据集有442个样本
  • 每个样本有10个特征
  • 每个特征都是浮点数，数据都在 − 0.2 ∼ 0.2 -0.2\sim 0.2 −0.2∼0.2
  • 样本的目标在整数 25 ∼ 346 25\sim 346 25∼346之间

数据加载函数

def load_data():
    diabetes = datasets.load_diabetes()
    print(diabetes.DESCR)
    return model_selection.train_test_split(diabetes.data, diabetes.target, test_size=0.25,random_state=8)

**返回值：**一个元组，元组依次是：训练样本集、测试样本集、训练标签集、测试标签集。

load_data函数加载数据集并随机切分数据集为两个部分

线性回归模型

LinearRegression是scikit-learn提供的线性回归模型，原型为

class LinearRegression(fit_intercept=True, normalize=False,copy_x=True, n_jobs=1)

参数

  • fit_intercept:一个布尔值，表示是否需要计算 b b b值。
  • normalize:一个布尔值，如果为True，那么样本会在回归之前被归一化
  • copy_x：一个布尔值，如果为True，则会复制x。
  • n_jobs：一个正数。任务并行是指定的CPU数量，如果为-1表示使用所有的CPU

属性

  • coef_:权重向量
  • intercept_:b值

方法：

  • fit(X,y[,sample_weight])：训练模型

  • predict(X):用模型来预测，返回预测值

  • score(X,y[,sample_weight])：返回预测性能得分，设预测集为 T t e s t T_{test} Ttest​，真实值为 y i y_i yi​，真实值的均值为 y ‾ \overline{y} y​，预测值为 y ^ \hat y y^​
    s c o r e = 1 − ∑ T t e s t ( y i − y ^ i ) 2 ( y i − y ‾ ) 2 score = 1-\frac{\sum_{T_{test}}(y_i-\hat y_i)^2}{(y_i-\overline{y})^2} score=1−(yi​−y​)2∑Ttest​​(yi​−y^​i​)2​

    • score不超过1，可能为负值
    • score越大，预测性能越好
def test_LinearRegression(*data):
    X_train,X_test,y_train,y_test = data
    regr = linear_model.LinearRegression()
    regr.fit(X_train,y_train)
    print("Coefficients:%s, intercept %.2f"%(regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" %regr.score(X_test,y_test))

调用函数

X_train,X_test,y_train,y_test = load_data()
test_LinearRegression(X_train,X_test,y_train,y_test)

输出的结果

Coefficients:[   11.5106203   -282.51347161   534.20455671   401.73142674
 -1043.89718398   634.92464089   186.43262636   204.93373199
   762.47149733    91.9460394 ], intercept 152.56
Residual sum of squares: 3108.04
Score: 0.46

线性回归模型的正则化

岭回归和LASSO是目前最流行的两种线性回归正则化方法

  • Ridge Regression：正则化为 α ∣ ∣ ω ∣ ∣ 2 2 , α ≥ 0 \alpha||\pmb\omega||_2^2,\alpha \ge 0 α∣∣ωωω∣∣22​,α≥0
  • Lasso Regression：正则化为 α ∣ ∣ ω ∣ ∣ 1 , α ≥ 0 \alpha ||\pmb \omega||_1,\alpha\ge 0 α∣∣ωωω∣∣1​,α≥0
  • Elastic Net：正则化为 α ρ ∣ ∣ ω ∣ ∣ 1 + α ( 1 − ρ ) 2 ∣ ∣ ω ∣ ∣ 2 2 , α ≥ 0 , 1 ≥ ρ ≥ 0 \alpha \rho||\pmb \omega||_1 + \frac{\alpha(1-\rho)}{2}||\pmb\omega||_2^2,\alpha \ge 0,1\ge \rho \ge 0 αρ∣∣ωωω∣∣1​+2α(1−ρ)​∣∣ωωω∣∣22​,α≥0,1≥ρ≥0

其中正则项系数 α \alpha α的选择十分关键，为learning rate

岭回归（Ridge Regression）

原型

Ridge(alpha=1.0, fit_intercept=True, normalize=False,copy_X=True, max_iter=None, tol=1e-3, solver="auto",random_state=None):
参数
  • alpha： α \alpha α值，越大则正则化项占的比例越大
  • fit_intercept：是否计算b值
  • max_iter：一个整数，指定最大迭代次数
  • normlize：是否归一化
  • copy_X：是否复制X
  • solver：一个字符串，指定求解最优化问题的算法
    • auto：自动选择算法
    • svd：使用奇异值分解来计算回归系数
    • cholesky：使用scipy.linalg.solve函数来求解
    • sparse_cg：使用scipy.sparse.linalg.cg函数来求解
    • lsqr：使用scipy.sparse.linalg.lsqr函数来求解，运算速度快，但是老版本不支持
    • sag：使用Stochastic Average Gradient descent 算法那
  • tol：指定判断迭代收敛与否的阈值
  • random_state：一个整数或一个RandomState实例
    • 如果为整数，则指定随机数生成器的种子
    • 如果为RandomState，则使用指定的随机数生成器
    • 如果为None，则使用默认的随机数生成器

属性

  • coef_：权重向量
  • intercept_：b值
  • n_iter_：实际迭代次数

方法

同线性回归的方法

使用Ridge函数

def test_Ridge(*data):
    X_train,X_test,y_train,y_test = data
    regr = linear_model.Ridge()
    regr.fit(X_train,y_train)
    print("Coefficients:%s, intercept %.2f"%(regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" %regr.score(X_test,y_test))
   
X_train,X_test,y_train,y_test = load_data()
test_Ridge(X_train,X_test,y_train,y_test)

输出的结果如下

Coefficients:[  36.8262072   -75.80823733  282.42652716  207.39314972   -1.46580263
  -27.81750835 -134.3740951    98.97724793  222.67543268  117.97255343], intercept 152.55
Residual sum of squares: 3262.23
Score: 0.43

下面测试不同的 α \alpha α的值的预测性能的影响

def test_Ridge_alpha(*data):
    X_train, X_test, y_train, y_test = data
    #设置不同的alpha值
    alphas = [0.01, 0.02, 0.05, 0.1, 0.2, 0.5,
        1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
    scores = []
    for i, alpha in enumerate(alphas):
        regr = linear_model.Ridge(alpha=alpha)
        regr.fit(X_train, y_train)
        scores.append(regr.score(X_test, y_test))
  
    # 绘图
    fig=plt.figure()
    ax=fig.add_subplot(1, 1, 1)
    ax.plot(alphas, scores)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"score")
    ax.set_xscale('log')
    ax.set_title("Ridge")
    plt.show()

在这里插入图片描述
当 α \alpha α超过1之后，随着 α \alpha α的增长，预测性能急剧下降，因为 α \alpha α较大时，正则化项影像比较大，模型简单。

Lasso回归

Lasso回归与岭回归的区别在于它的惩罚项是基于 L 1 L_1 L1​范数。他可以将系数控制收缩到0，从而达到变量选择的效果。

函数为Lasso()

参数：

之前已经叙述过的变量不在描述

  • precompute：是否提前计算Gram矩阵来加速计算
  • warm_start：从头训练还是使用前一次的训练结果继续训练
  • positive：如果为True，那么要求所有的权重向量的分量都是正数
  • selection：一个字符串，可以为‘cyclic’或者‘random’，选择权重向量的哪个分量来更新
    • random 更新的时候，随机选择权重向量的一个分量来更新
    • cyclic：更新的时候，从前向后依次选择权重向量的一个分量来更新。
def test_Lasso(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.Lasso()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))

结果

Coefficients:[  0.          -0.         384.73421807  72.69325545   0.
   0.          -0.           0.         247.88881314   0.        ], intercept 152.69
Residual sum of squares: 3646.84
Score: 0.37

测试不同 α \alpha α的影响

def test_Lasso_alpha(*data):
    X_train, X_test, y_train, y_test = data
    #设置不同的alpha值
    alphas = [0.01, 0.02, 0.05, 0.1, 0.2, 0.5,
        1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
    scores = []
    for i, alpha in enumerate(alphas):
        regr = linear_model.Lasso(alpha=alpha)
        regr.fit(X_train, y_train)
        scores.append(regr.score(X_test, y_test))
  
    # 绘图
    fig=plt.figure()
    ax=fig.add_subplot(1, 1, 1)
    ax.plot(alphas, scores)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"score")
    ax.set_xscale('log')
    ax.set_title("Lasso")
    plt.show()

在这里插入图片描述

ELasticNet回归

ElasticNet回归是对Lasso回归和岭回归的融合。其惩罚项为 L 1 L_1 L1​和 L 2 L_2 L2​范数的一个权衡。

def test_ElasticNet(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.ElasticNet()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))

输出的结果为

Coefficients:[ 0.21886047  0.          3.32172605  2.40903271  0.39329589  0.0813468
 -1.66664402  1.86756919  3.0113635   1.88112395], intercept 152.84
Residual sum of squares: 5704.63
Score: 0.01

对于不同的 α , ρ \alpha,\rho α,ρ

def test_ElasticNet_alpha_rho(*data):
    X_train, X_test, y_train, y_test = data
    alphas = np.logspace(-2,2)
    rhos = np.linspace(0.01, 1)
    scores = []
    for alpha in alphas:
        for rho in rhos:
            regr = linear_model.ElasticNet(alpha=alpha, l1_ratio= rho)
            regr.fit(X_train, y_train)
            scores.append(regr.score(X_test,y_test))

    # 绘图
    alphas,rhos = np.meshgrid(alphas, rhos)
    scores = np.array(scores).reshape(alphas.shape)
    from mpl_toolkits.mplot3d import Axes3D
    from matplotlib import cm
    fig = plt.figure()
    ax = Axes3D(fig)
    surf = ax.plot_surface(alphas, rhos, scores, rstride=1, cstride=1, cmap=cm.jet, linewidth=0, antialiased = False)
    fig.colorbar(surf, shrink = 0.5, aspect=5)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"$\rho$")
    ax.set_zlabel("score")
    ax.set_title("ElasticNet")
    plt.show()

在这里插入图片描述

所有代码

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model, discriminant_analysis, model_selection


def load_data():
    diabetes = datasets.load_diabetes()
    # print(diabetes.DESCR)
    return model_selection.train_test_split(diabetes.data, diabetes.target, test_size=0.25, random_state=8)


def test_LinearRegression(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.LinearRegression()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %
          np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))


def test_Ridge(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.Ridge()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %
          np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))


def test_Ridge_alpha(*data):
    X_train, X_test, y_train, y_test = data
    #设置不同的alpha值
    alphas = [0.01, 0.02, 0.05, 0.1, 0.2, 0.5,
        1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
    scores = []
    for i, alpha in enumerate(alphas):
        regr = linear_model.Ridge(alpha=alpha)
        regr.fit(X_train, y_train)
        scores.append(regr.score(X_test, y_test))
  
    # 绘图
    fig=plt.figure()
    ax=fig.add_subplot(1, 1, 1)
    ax.plot(alphas, scores)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"score")
    ax.set_xscale('log')
    ax.set_title("Ridge")
    plt.show()


def test_Lasso(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.Lasso()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))

def test_Lasso_alpha(*data):
    X_train, X_test, y_train, y_test = data
    #设置不同的alpha值
    alphas = [0.01, 0.02, 0.05, 0.1, 0.2, 0.5,
        1, 2, 5, 10, 20, 50, 100, 200, 500, 1000]
    scores = []
    for i, alpha in enumerate(alphas):
        regr = linear_model.Lasso(alpha=alpha)
        regr.fit(X_train, y_train)
        scores.append(regr.score(X_test, y_test))
  
    # 绘图
    fig=plt.figure()
    ax=fig.add_subplot(1, 1, 1)
    ax.plot(alphas, scores)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"score")
    ax.set_xscale('log')
    ax.set_title("Lasso")
    plt.show()

def test_ElasticNet(*data):
    X_train, X_test, y_train, y_test = data
    regr = linear_model.ElasticNet()
    regr.fit(X_train, y_train)
    print("Coefficients:%s, intercept %.2f" % (regr.coef_, regr.intercept_))
    print("Residual sum of squares: %.2f" %np.mean((regr.predict(X_test)-y_test)**2))
    print("Score: %.2f" % regr.score(X_test, y_test))

def test_ElasticNet_alpha_rho(*data):
    X_train, X_test, y_train, y_test = data
    alphas = np.logspace(-2,2)
    rhos = np.linspace(0.01, 1)
    scores = []
    for alpha in alphas:
        for rho in rhos:
            regr = linear_model.ElasticNet(alpha=alpha, l1_ratio= rho)
            regr.fit(X_train, y_train)
            scores.append(regr.score(X_test,y_test))

    # 绘图
    alphas,rhos = np.meshgrid(alphas, rhos)
    scores = np.array(scores).reshape(alphas.shape)
    from mpl_toolkits.mplot3d import Axes3D
    from matplotlib import cm
    fig = plt.figure()
    ax = Axes3D(fig)
    surf = ax.plot_surface(alphas, rhos, scores, rstride=1, cstride=1, cmap=cm.jet, linewidth=0, antialiased = False)
    fig.colorbar(surf, shrink = 0.5, aspect=5)
    ax.set_xlabel(r"$\alpha$")
    ax.set_ylabel(r"$\rho$")
    ax.set_zlabel("score")
    ax.set_title("ElasticNet")
    plt.show()

if __name__ == '__main__':
    X_train, X_test, y_train, y_test=load_data()
    test_ElasticNet_alpha_rho(X_train,X_test,y_train,y_test)
绝尘花遗落
关注
  • 2
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Excel 函数大全之 INTERCEPT function 获取线性回归线的截距
iCloudEnd的博客
12-07 1096
使用现有的 x 值和 y 值计算直线与 y 轴相交的点。截点基于通过已知 x 值和已知 y 值绘制的最佳拟合回归线。当您想要在自变量为 0（零）时确定因变量的值时，请使用 INTERCEPT 函数。例如，当您的数据点是在室温或更高温度下获取的时，您可以使用 INTERCEPT 函数预测金属在 0°C 时的电阻。截距是 Y 轴上直线交叉的点。或者，我们可以说它是当 x 为 0 时 y 的值。拦截（known_y’s，known_x’s）INTERCEPT 函数语法具有以下参数：Known_y 必填项。一组
线性回归的这些细节，你都搞明白了吗？
庐州月光的博客
10-11 1915
欢迎关注”生信修炼手册”!回归分析是一种广泛使用的统计工具，利用已有的实验数据，通过一个方程来定量的描述变量之间的关系，其中的变量可以分为两类自变量，也称之为预测变量因变量，也称之为响应...
线性回归练习————线性回归、Anscombe四重奏以及【SVM线性分类】鸢尾花Iris数据集分析
MrKaj的博客
03-20 1124
文章目录一、线性回练习1. 一元线性回归练习二、四重奏数据集分析三、小结 一、线性回练习 1. 一元线性回归练习 高尔顿数据集进行线性回归分析 父母身高平均值和其中一个子女身高进行回归分析 数据整理，一般获得的数据都会比较多，必须先分析整理数据，以下图为例。 每个家庭中父亲母亲身高肯定一定，所以不用去求平均值，针对每个家庭中子女性别的不同，我分为了两个表 子表 女表 2.因为这两个表中或多或少都会存在家庭编号重复的问题 所以分别对两个表的子女身高求平均值可得新表 对上述数据分析之后得出结果 父
支持向量机SVM——代码简洁
qq_43215869的博客
08-26 2232
代码十分简洁易懂，步骤清晰，直接复制，带入数据，进行调用，即可出结果。
（85）--Python数据分析：简单线性回归
Fredreck1919的博客
05-10 1126
# 散点图描绘（一）准备工作1.编程环境：Python3.5.2(使用其自带的IDLE，并已经配置好环境变量)，win10。2.使用到的包：numpy,matplotlib,Pandas,sklearn,OrderedDict,matplotlib （注：可用pip install xxx直接安装，有问题就直接搜索引擎解决）。3.数据源：a. ex0.txt ：https://pan.baidu...
机器学习——线性回归介绍及案例实战的数据集（客户价值数据表）
04-06
本资源适用于多元线性回归的Python代码实现，是小编的机器学习——线性回归介绍及案例实战的数据集
Python大数据分析与机器学习之线性回归模型数据——“IT行业收入表.xlsx”
04-06
本资源适用于小编的文章《机器学习——线性回归介绍及案例实战》中用到的数据表，适合学习Python、机器学习、数据分析等内容的小伙伴学习。
Pytorch专题实战——线性回归(Linear Regression)
12-21
本文将深入探讨如何使用PyTorch构建和训练一个简单的线性回归模型。 ### 1. 计算流程 线性回归的计算流程包括以下三个关键步骤： 1. **设计模型**：在PyTorch中，线性回归模型通常由一个线性层（`nn.Linear`）...
线性回归模型
Someone&的博客
10-07 3090
线性回归模型是一种比较简单的、容易解释的回归预测方法。在实际应用中，可以用线性回归模型简单判断特征与目标值之间是否存在某种线性相关的关系。若存在，可以用多个线性模型去表示回归值；若不存在，即可以考虑特征与回归值之间的非线性关系（非线性关系可以考虑SVM的核函数映射方式或者神经网络中使用激活函数的方式等，将特征映射到更高维的空间或者表示出非线性的表达式，进行拟合出特征与回归值之间的一种表达形式。这里...
9. 线性回归 Linear Regresion
weixin_37856444的博客
01-03 1335
回归是一种应用广泛的预测建模技术，这种技术的核心在于预测的结果是连续型变量。 决策树，随机森林，支持向量机的分类器等分类算法的预测标签是分类变量，多以{0，1}来表示，而无监督学习算法比如PCA，KMeans的目标根本不是求解出标签，注意加以区别。 只要一切基于特征预测连续型变量的需求，我们都使用回归技术。 既然线性回归是源于统计分析，我们就可以用不同的角度去理解它。从统计学的角度来看，我们...
回归算法之线性回归
qq_42370150的博客
03-19 352
线性回归的定义是：目标值预期是输入变量的线性组合。线性模型形式简单、易于建模，但却蕴含着机器学习中一些重要的基本思想。线性回归，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。 优点：结果易于理解，计算不复杂 缺点：对非线性的数据拟合不好 适用数据类型：数值型和标称型 ...
INTERCEPT函数通过两类产品的测试结果返回线性回归直线的截距值
gulie8的博客
10-15 1183
说明 利用现有的 x 值与 y 值计算直线与 y 轴的截距。截距为穿过已知的 known_x's 和 known_y's 数据点的线性回归线与 y 轴的交点。当自变量为 0（零）时，使用 INTERCEPT 函数可以决定因变量的值。例如，当所有的数据点都是在室温或更高的温度下取得的，可以用 INTERCEPT 函数预测在 0°C 时金属的电阻。 语法 INTERCEPT(kn...
机器学习笔记(五)回归模型
weixin_45743162的博客
03-01 442
1、随机森林 1、随机森林 随机森林简单来说就是bagging+决策树，就是多颗决策树组成的森林。 2、决策树的建立 常见的决策树算法： ID3,使用的信息增益建立的决策树。 C4.5，使用的信息增益率建立的决策树。 CART，基尼系数。 信息增益越大，表示特征对样本熵(表示混乱程度)的减少能力越强。 3、bagging的使用 从原始数据中使用有放回的方法抽取数据(Bootstraping)，随机抽取n个样本，进行k轮，获得k个样本集，建立k个模型(随机森林的时候就是决策树)，对于分类问题，我们用投票法
机器学习中的线性回归——基于R
qq_54423921的博客
08-06 607
可以在这里下载数据，下载数据后用Rstudio打开就能使用，不需要加载其他东西。
线性回归模型_线性回归模型
weixin_39517520的博客
12-18 347
线性回归的模型思想回归的思想和分类有所不一样，分类输出的结果为离散的值，回归输出的是一个连续型的值。线性回归的思想就是试图找到一个多元的线性函数： 当输入一组特征（也就是变量X）的时候，模型输出一个预测值y = h(x)，我们要求这个预测值尽可能的准确，那么怎么样才能做到尽可能准确呢？这要求我们建立一个评价指标来评价模型的在数据集上的误差，当这个误差达到最小的时候，模型的拟合性最强。在线性回归中...
机器学习——线性回归实践
生活如此美好，致敬每一个热爱“热爱”的人！
02-24 2108
主要内容： 线性回归方程实现 梯度下降效果 对比不同梯度下降策略 建模曲线分析 过拟合与欠拟合 正则化的作用 提前停止策略 1.实验目标分析 import numpy as np import os %matplotlib inline import matplotlib import matplotlib.pyplot as plt plt.rcParams['axes.labelsize'] = 14 plt.rcParams['xtick.labelsize'] = 12 ..
sklearn中文文档——1.1. 普通线性模型
quliulangle的博客
08-02 2823
下面是一组用在回归中的方法，其预期的结果为各输入变量的线性组合。在数学的概念里，如果 ý 表示我们预测出的结果： 线性回归的预测结果 在这一节中，我们定义向量 w = (w1, ..., wp) 为 系数(coef_) ，而 w0 为 截距(intercept_) 。如果要使用线性模型来进行分类的话，可以查看下方的Logistic回归。 1.1.1. 普通最小二乘法（Ord
机器学习入门（1）——线性回归
weixin_53272247的博客
05-01 1873
文章目录入门线性回归回归线性回归工作原理例子解释R-Squared预测未来价值 入门 机器学习使计算机能够从研究数据和统计信息中学习。 机器学习是迈向人工智能（AI）方向的其中一步。 机器学习是一种程序，可以分析数据并学习预测结果。 从何处开始？ 在本教程中，我们将回到数学并研究统计学，以及如何根据数据集计算重要数值。 我们还将学习如何使用各种 Python 模块来获得所需的答案。 并且，我们将学习如何根据所学知识编写能够预测结果的函数。 线性回归 回归 当您尝试找到变量之间的关系时，会用到术语“回归”
Python—实训day10—Matplotlib数据可视化和scikit-learn构建模型
#请假条的博客
09-27 418
1.Matplotlib数据可视化基础 import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = 'SimHei' #------------1散点图scatter x = np.arange(0, 1, 0.05) y = x**2 y1 = x**4 #散点图 plt.scatter(x, y) plt.show
机器学习实战：线性回归与数据分析
本文档详细介绍了机器学习中的线性回归，包括数据分析的基本步骤、数据质量的...这个文档提供了一个全面的线性回归学习指南，从数据准备到模型构建、优化，再到结果评估和模型管理，覆盖了机器学习项目实施的整个流程。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值