线性回归算法_考察平面上3个点: (0,1) , (1,1), (2,3)。 (1)请计算能够完美拟合这3个点的2-CSDN博客

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, 3, 1)
y = np.array([1,1,3])
z1 = np.polyfit(x, y, 2)#用2次多项式拟合
p1 = np.poly1d(z1)
print(p1) #在屏幕上打印拟合多项式

2. Y = x + 0.6667

代码：

方法1：

这里面的训练集和测试集都是本身。

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

diabetes_x_train = [[0],[1],[2]]
diabetes_y_train = [[1],[1],[3]]

diabetes_x_test = [[0],[1],[2]]
diabetes_y_test = [[1],[1],[3]]

# 回归训练及预测
clf = linear_model.LinearRegression()
clf.fit(diabetes_x_train, diabetes_y_train)

print
'Coefficients :\n', clf.coef_
print("Residual sum of square: %.2f" % np.mean((clf.predict(diabetes_x_test) - diabetes_y_test) ** 2))
print("variance score: %.2f" % clf.score(diabetes_x_test, diabetes_y_test))

# 绘图
plt.title(u'LinearRegression Diabetes') # 标题
plt.xlabel(u'Attributes') # x轴坐标
plt.ylabel(u'Measure of disease') # y轴坐标
# 点的准确位置
plt.scatter(diabetes_x_test, diabetes_y_test, color='black')
# 预测结果直线表示
plt.plot(diabetes_x_test, clf.predict(diabetes_x_test), color='blue', linewidth=3)
plt.show()

方法2：

import matplotlib.pyplot as plt

import numpy as np
import linear_regression as lib

x = np.arange(0, 3, 1)
y = np.array([1,1,3])
z1 = np.polyfit(x, y, 1)
p1 = np.poly1d(z1)
print(p1) #在屏幕上打印拟合多项式
yvals=p1(x)#也可以使用yvals=np.polyval(z1,x)
plot1=plt.plot(x, y, '*',label='original values')
plot2=plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.legend(loc=4)
plt.title('polyfitting')
plt.show()
plt.savefig('p1.png')

问题二

2.1问题描述

平面上3个点： (-1.0,-1.2) , (0.0,1.0), (1.0,2.8)。

（1）请写出相应的正规方程。

（2）并通过求解正规方程来计算这3个点的最佳拟合。

2.2问题求解

y = 2 x + 0.8667

代码：

方法1：

from sklearn import datasets, linear_model
import matplotlib.pyplot as plt
import numpy as np
diabetes_x_train = [[-1],[0],[1]]
diabetes_y_train = [[-1.2],[1],[2.8]]
diabetes_x_test =[[-1],[0],[1]]
diabetes_y_test =[[-1.2],[1],[2.8]]
# 回归训练及预测
clf = linear_model.LinearRegression()
clf.fit(diabetes_x_train, diabetes_y_train) # 注: 训练数据集

# 系数残差平法和方差得分
print
'Coefficients :\n', clf.coef_
print("Residual sum of square: %.2f" % np.mean((clf.predict(diabetes_x_test) - diabetes_y_test) ** 2))
print("variance score: %.2f" % clf.score(diabetes_x_test, diabetes_y_test))

# 绘图
plt.title(u'LinearRegression Diabetes') # 标题
plt.xlabel(u'Attributes') # x轴坐标
plt.ylabel(u'Measure of disease') # y轴坐标
# 点的准确位置
plt.scatter(diabetes_x_test, diabetes_y_test, color='black')
# 预测结果直线表示
plt.plot(diabetes_x_test, clf.predict(diabetes_x_test), color='blue', linewidth=3)
plt.show()

方法2：

import matplotlib.pyplot as plt
import numpy as np
import linear_regression as lib
x = np.array([-1,0,1.0])
y = np.array([-1.2,1,2.8])
z1 = np.polyfit(x, y, 1)
p1 = np.poly1d(z1)
print(p1) #在屏幕上打印拟合多项式
yvals=p1(x)#也可以使用yvals=np.polyval(z1,x)
plot1=plt.plot(x, y, '*',label='original values')
plot2=plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x axis')
plt.ylabel('y axis')
plt.legend(loc=4)
plt.title('polyfitting')
plt.show()
plt.savefig('p1.png')