调用线性回归算法拟合生成的数据得到线性方程

1.生成用于回归分析的有一个特征的数据集

import numpy as np
import matplotlib.pyplot as plt

#导入回归模型生成器

from sklearn.datasets import make_regression

#导入线性回归模型，注意L和R要大写

from sklearn.linear_model import LinearRegression

#生成用于回归分析的数据集，样本量为100，random_state是随机种子，确保每次生成的随机序列一致，1个特征，噪声为50

X，y=make_regression(n_sample=100,n_features=1,n_informative=1,random_state=3,
noise=50

2.使用线性回归模型进行拟合

#训练数据，接口是fit

lr=LinearRegression().fit(X,y)

3.画出线性回归模型的图形

#z是生成的等差数列，用来画线性模型图形

z=np.linspace(-3,3,100).reshape(-,1)

plt.scatter(X,y,c='b',s=60)
plt.plot(z,lr.predict(z),c='purple')

#默认不支持中文，修改RC参数让其支持中文

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.title('线性回归')

4.输出线性回归模型的系数、截距和方程

print('直线的斜率是:{:.2f}'.format(lr.coef_[0]))
print('直线的截距是:{:.2f}'.format(lr.intercept_))
print('直线的方程是:{:.2f}'.format(lr.coef_[0],'X1','{:.2f}'.format(lr.intercept_))

5.生成用于回归分析的有两个特征的数据集

#导入数据集拆分工具

from sklearn.model_selection import train_test_split

#生成用于回归分析的有两个特征的数据集

X,y=make_regression(n_samples=300,n_features=2,n_informative=2,random_state=38

6.使用线性回归模型对数据进行拟合，并输出模型系数、截距

#拆分数据（注意这边可以巧记为x,x,y,y，以防遗漏）

X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=8)

#训练模型(因为是训练数据，所以括号里是X_train,y_train）

lr2=LinearRegression().fit(X_train,y_train)

#预测数据

y_predict=lr2.predict(X_test)

#输出模型斜率、截距、方程

print('lr2.coef_:{}'.format(lr2.coef_[:]))
print('lr2.intercept_:{}'.format(lr2.intercept_))
print('回归方程为 y={:.2f}'.format(lr2.coef_[0]),'X1','+{:.2f}'.format(lr2.coef_[1],'X2','+{:.16f}'.format(lr2.intercept_))

#画出真实值与测试值曲线对比

import matplotlib.pyplot as plt
sorted(y_test)
plt.plot(range(len(y_test)),sorted(y_test),c="black",label="Data"
plt.legend()
plt.show()
plt.plot(range(len(y_predict)),sorted(y_predict),c="red",label="Predict")
plt.show()

7.评估线性回归模型

#均方误差MSE(真实值与预测值差的平方取平均）【RMSE是均方根误差，即把MSE开根号】

from sklearn.metrics import mean_squared_error as MSE
MSE(y_test,y_predict)

#平方绝对误差MAE
真实值与预测值之间差的绝对值的平均

from sklearn.metrics import mean_absolute_error as MAE
MAE(y_predict,y_test)

#可解释性方差
可解释性方差的范围在[0~1]之间，越接近1越好 【注意 真实值在前，预测值在后，如果是0，就是过拟合，反而也不好】

from sklearn.metrics import r2_score
r2_score(y_test,y_predict)