单变量线性回归(披萨案例)

---

前言

在研究机器学习，发现了一些宝藏算法，写下来让自己记住，超有用！同时也想要分享给大家，如果喜欢可以支持一下，谢谢。

---

一、单变量线性回归

假设某披萨店的披萨价格和披萨直径之间有下列数据关系：

根据上面的训练数据，预测12英寸的披萨的可能售价。

  直径为自变量X，价格为因变量y，画出二者的散点图，并给出结论。

  根据现有的训练数据求线性回归模型，并画出拟合直线。（可以使用sklearn库中的sklearn.linear_model.LinearRegression对象来进行线性拟合），给出拟合直线方程。

预测测12英寸披萨的价格。（使用predict函数）

评价模型的准确率，分析模型预测结果

训练线性模型的步骤：

准备训练数据

创建模型

对象拟合求线性方程的截距和斜率

画拟合直线

---

测试数据：

A. 手动计算方法：

假设hpyTrain代表针对训练数据的预测y值，hpyTest代表针对测试数据的预测y值

训练数据残差平方和：ssResTrain = sum((hpyTrain -yTrain) ** 2)

测试数据残差平方和：ssResTest = sum((hpyTest -yTest) ** 2

测试数据偏差平方和：ssTotTest = sum((yTest -np.mean(yTest)) ** 2)

R方：Rsquare = 1 -ssResTest / ssTotTest

B. Python的LinearRegression对象提供的方法：

   训练数据残差平方和：model._residues

R方：model.score(xTest,yTest)

二、代码

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

lm =LinearRegression() #构建线性模型

x_train = [[6], [8], [10], [14], [18]]

y_train = [[7], [9], [13], [17.5], [18]]

x_test = [[8], [9], [11], [12], [16]]

y_test = [[8.5], [11], [12], [15], [18]]

lm.fit(x_train, y_train)#训练模型

plt.scatter(x_train, y_train, color=‘green’)

plt.plot(x_train, lm.predict(x_train), color=‘red’, linewidth=4) #画出回归直线

plt.xlabel(‘Diam’)

plt.ylabel(‘Price’)

plt.title(‘TestImg’)

plt.show()

plt.scatter(x_test, y_test, color=‘green’)

plt.plot(x_test, lm.predict(x_test), color=‘red’, linewidth=4) #画出回归直线

plt.xlabel(‘Diam’)

plt.ylabel(‘Price’)

plt.title(‘PredictImg’)

plt.show()

PredictPrice = lm.predict(12)

print(‘twelve inch pizza price %d’ % PredictPrice)

print('model score = ', lm.score(x_test, y_test))

---

以上代码全部复制进python环境即可运行，亲测有效

三、总结

python库很强大，短短几句话就完事了。
但是如果你不知道有这几句话，你确实得找很久
希望我能帮你省些时间，喜欢的可以支持一下，谢谢啦~