线性回归
线性回归,就是能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候,就能够预测出一个简单的值。 就像在坐标系中给出了一些点,画出一条大致过这些点的曲线,来对后续的值进行预测。
线性回归的函数模型
由线性回归构造出的一条曲线就被称为线性回归的模型
线性回归的代价函数
由于数据的不同或导致模型对数据的拟合出现偏差。为了找到一个最精确描述的模型就需要要用到代价函数 代价函数表示了模型与数据之间的差距。对应的代价函数越小,就越准确。
线性回归函数的特点
建模速度快,不需要很复杂的计算,在数据量大的情况下依然运行速度很快。
可以根据系数给出每个变量的理解和解释。
对异常值很敏感。
用numpy实现线性回归
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,200,30)
y = x + np.random.randint(0,50,30)
poly = np.polyfit(x,y,deg=1)
z = np.polyval(poly,x)
plt.plot(x,y,'o')
plt.show()
plt.plot(x,y,'o')
plt.plot(x,z)
plt.show()