【机器学习】简单线性回归模型及其python实现

简单线性回归模型

• 使用单一特征来预测响应值。假设自变量与因变量是线性相关的，找到一线性函数进行预测。
• 利用最小二乘法来寻找最佳的拟合线。
  
  

Step 1 数据预处理

• 导入数据集
• 处理缺失数据
• 划分数据集

import pandas as pd
from sklearn.model_selection import train_test_split

dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[ : ,  : 1 ].values
Y = dataset.iloc[ : , 1].values
X_train, X_test, Y_train, Y_test = train_test_split(X,Y,test_size=1/4,random_state=0)

Step 2 利用简单线性回归模型训练

我们使用sklearn.linear_model库中的LinearRegression类的fit()方法，将regressor对象对数据集进行训练。

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

Step 3 预测结果

预测测试集的观察结果，将输出保存至Y_pred。
我们利用LinearRegression类的预测方法进行预测。

Y_pred = regressor.predict(X_test)

Step 4 可视化

我们使用matplotlib.pyplot库对我们的训练集结果和测试集结果绘制散点图。

plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')
plt.show()

plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')
plt.show()

参考链接

100-Days-Of-ML-Code