sklearn线性回归官方实例学习

sklearn线性回归官方实例学习(一)

# 导包
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets,linear_model
from sklearn.metrics import mean_squared_error,r2_score

# 加载数据集
diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True)

# 初始数据集的结构
diabetes_X.shape

(442, 10)

# 只选取一个特征之后的结构，变为了一维数组，不再是矩阵，不适合接下来使用,所以应使用 diabetes_X = diabetes_X[:, np.newaxis, 2]
diabetes_X = diabetes_X[:, 2]
diabetes_X.shape

(442,)

# np.newaxis作为第一个参数是对行增加维度，作为第二个参数是对列增加维度
diabetes_X = diabetes_X[:, np.newaxis]
diabetes_X.shape

(442, 1, 10)

# 这里只使用一个特征
diabetes_X = diabetes_X[:, np.newaxis, 2]

diabetes_X.shape

(442, 1)

# 划分特征 训练集和测试集
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
# 划分标签训练集、测试集
diabetes_y_train = diabetes_y[:-20]
diabetes_y_test = diabetes_y[-20:]

# 实例化线性回归模型
regr = linear_model.LinearRegression()
# 若需要拟合非负的参数，如某些物理量，可使用regr = linear_model.LinearRegression(positive=True)

# 使用训练集训练模型
regr.fit(diabetes_X_train, diabetes_y_train)

# 使用测试集测试模型

diabetes_y_pred = regr.predict(diabetes_X_test)

# 查看模型结果和验证模型效果

# The coefficients
print("Coefficients: \n", regr.coef_)
# The mean squared error
print("Mean squared error: %.2f" % mean_squared_error(diabetes_y_test, diabetes_y_pred))
# The coefficient of determination: 1 is perfect prediction
print("Coefficient of determination: %.2f" % r2_score(diabetes_y_test, diabetes_y_pred))

Coefficients: 
 [938.23786125]
Mean squared error: 2548.07
Coefficient of determination: 0.47

# 可视化
plt.scatter(diabetes_X_test, diabetes_y_test, color="black")
plt.plot(diabetes_X_test, diabetes_y_pred, color="blue", linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()

sklearn官方该示例传送门