机器学习基础算法（五）-----线性回归

一. 回归算法-线性回归

1. 线性模型

2. 线性回归

3. 损失函数（误差大小）

4. 最小二乘法之正规方程

sklearn.linear+model.LinearRegression

5. 最小二乘法之梯度下降

sklearn.linear_model.SGDRegressor

二. 线性回归实例

波士顿房价数据案例分析流程

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression,SGDRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

def mylinear():
    '''线性回归直接预测房子价格'''
    ##获取数据
    lb = load_boston()

    #分割训练集和测试集
    x_train,x_test,y_train,y_test = train_test_split(lb.data,lb.target,test_size=0.25)

    ##进行标准化处理
    ##特征值和目标值都必须进行标准化处理
    std_x = StandardScaler()

    x_train = std_x.fit_transform(x_train)
    x_test = std_x.transform(x_test)

    #目标值
    std_y = StandardScaler()
    y_train = std_y.fit_transform(y_train.reshape(-1,1))
    y_test = std_y.transform(y_test)

    ##estimator预测
    ##正规方程求解方式预测结果
    lr = LinearRegression()
    lr.fit(x_train,y_train)

    print(lr.coef_)

    ##预测测试集的房子价格
    y_lr_predict = lr.predict(x_test)
    print(y_lr_predict)
    print(mean_squared_error(std_y.inverse_transform(y_test),y_lr_predict))

    ##梯度下降进行房价预测
    sg = SGDRegressor()
    sg.fit(x_train, y_train)

    print(sg.coef_)

    ##预测测试集的房子价格
    y_sg_predict = sg.predict(x_test)
    print(y_sg_predict)
    print(mean_squared_error(std_y.inverse_transform(y_test),y_sg_predict))

    return None


if __name__ == '__main__':
    mylinear()

三. 回归性能评估

sklearn.metrics.mean_squared_error

四. 过拟合和欠拟合

1. 过拟合

2. 欠拟合

L2正则化

五. 岭回归

sklearn.linear_model.Ridge
Ridge