Python实现一元线性回归实战

回归是一种有监督的学习方式，需要根据历史数据对未知数据做出预测。

在此，以房屋面积预测房屋价格为例：

 

首先，读入数据/加载数据：

代码如下：

import pandas as pd
import numpy as np
from io import StringIO
from sklearn import linear_model
import matplotlib.pyplot as plt

# 房屋面积与价格历史数据(csv文件)
csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n'

# 读入dataframe
df=pd.read_csv(StringIO(csv_data))
# print(df)

其次，建立线性回归模型，并对数据进行拟合，代码如下：

# 建立线性回归模型
regr=linear_model.LinearRegression()

# 拟合
regr.fit(df['square_feet'].values.reshape(-1, 1), df['price'])
# 用values方法将Series对象转化成numpy的ndarray，再用ndarray的reshape方法。
# 注意此处.reshape(-1, 1)，因为X是一维的！

得到模型的截距和斜率：

# 直线的回归系数，截距
a,b=regr.coef_,regr.intercept_

<