机器学习100天 第二天 简单线性回归模型

简单线性回归

使用单一特征值来预测响应值

这种方法是基于自变量X来预测因变量值Y的方法，假设这两个变量是线性相关。
在这个任务重使用最佳拟合曲线来最小化预测误差——回归线的误差将是最小的。

实验步骤

第一步是数据预处理

导入相关库，数据集，检查缺失的数据，划分数据，特征缩放将使用简单线性模型的相关库进行

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

dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[: , :1 ].values
Y = dataset.iloc[: ,1].values

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)

第二步是通过训练集来训练简单线性回归模型

使用来自sklearn.linear_model库中的LinearRegression类，的regressor对象，最后使用LinearRegression类的fit()方法将regressor对象对数据集进行训练

#第二步：训练集使用简单线性回归模型来训练
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train,Y_train)

第三步是预测结果

将输出保存在Y_pred中

#第三步，预测结果
Y_pred = regressor.predict(X_test)

第四步是可视化

使用matplotlib.pyplot库对结果嘴散点图遗产看预测效果

#第四步，可视化，训练集结果可视化
plt.scatter(X_train,Y_train,color = 'red')
plt.plot(X_train,regressor.predict(X_train),color = 'blue')
plt.show

#测试结果可视化
plt.scatter(X_test,Y_test,color = 'blue')
plt.show()