机器学习-慕课--线性回归

使用pandas加载数据

python库模块的引入

1、机器学习之线性回归

2、线性回归

3、线性回归实战准备

把多个图画在一个图里面

数据从一维转化成二维的

print(type(x),x.shape)

转为二维的：

import numpy as np
x = np.array(x)
print(type(x),x.shape)

x = x.reshape(-1, 1)

从1维转变为2维：10行1列
# 实验中模型预测a=2,b=5，和数据在excel表格中展示的完美一致。

数据在excel表格中展示的公式：

代码展示部分

import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
import numpy as np
from sklearn.metrics import mean_squared_error, r2_score

# 第一步骤：导入数据集
data = pd.read_csv('data/generated_data.csv')
data.head()
# 查看data的类型type(data)和data的维度data.shape
print(type(data), data.shape)
# data赋值
x = data.loc[:, 'x']
y = data.loc[:, 'y']
print(x, y)
# Name: y, dtype: int64
# <class 'pandas.core.series.Series'> (10,)  意思是10行，维度是一维的

# 展示我们的模型,设置图的大小figsize=(20,20)
# plt.figure(figsize=(20,20))
plt.figure()
plt.scatter(x,y)
plt.show()

# 第二步骤：建立模

# 建立一个linear regression模型
lr_model = LinearRegression()

x = np.array(x)
x = x.reshape(-1, 1)
y = np.array(y)
y = y.reshape(-1,1)
print(type(x), x.shape, type(y), y.shape)

# 第三步骤：训练模型

# 训练模型
lr_model.fit(x,y)

# 第四步骤：预测模型
y_predict = lr_model.predict(x)
print(y_predict)
print("------------")
print(y)
# y和y_predict的结果值是一样的，所以是对的
y_3 = lr_model.predict([[3.5]])
print(y_3)
# 第五步骤：

# 查看a,b系数
a = lr_model.coef_
b = lr_model.intercept_
print("a=",a,"b=",b)

# 第六步骤：评估模型的好与坏

# 看我们的MSE，MSE越小越好，R2分数越接近1越好，y' vs y集中度越高越好（越接近直线分布）
MSE = mean_squared_error(y, y_predict)
R2 = r2_score(y, y_predict)
print(MSE,  R2)
# 第七步骤：可视化预测的Y和实际结果的Y
plt.figure()
plt.scatter(y, y_predict)
plt.show()

结果图