python版一元线性回归的算法封装（附详细注释）

python版一元线性回归的算法封装（附详细注释）

使用说明：

• 先使用fit训练模型
• 然后再使用predict函数进行预测
• 最后提供了两种误差评估

# -*- coding:utf-8
"""
作者: Jia
日期: 2022年01月30日
描述: 一元线性回归的算法封装
"""
import numpy as np


class uniLinearResgression:
    def __init__(self):
        """初始化一元线性回归模型"""
        self.a = None  # a是斜率
        self.b = None  # b是截距

    def fit(self, x_train, y_train):
        """
        训练模型
        :param x_train: 训练数据集
        :param y_train: 训练数据标签
        :return:
        """
        assert x_train.ndim == 1, "一元线性回归模型仅能处理向量，不能处理矩阵"
        x_mean = np.mean(x_train)
        y_mean = np.mean(y_train)
        denominator = 0.0  # 分母
        numerator = 0.0  # 分子
        for (x, y) in zip(x_train, y_train):
            numerator += (x - x_mean) * (y - y_mean)
            denominator += (x - x_mean) ** 2
        self.a = numerator / denominator
        self.b = y_mean - self.a * x_mean
        return self

    def predict(self, x_test_group):
        """
        预测函数
        :param x_test_group: 待预测的数据集
        :return: 预测值
        """
        return np.array([self._predict(x_test) for x_test in x_test_group])

    def _predict(self, x_test):
        """
        计算每一个预测值
        :param x_test: 待预测的数据
        :return: 预测结果
        """
        return self.a * x_test + self.b

    def mean_squard_error(self, y_true, y_predict):
        return np.sum((y_true - y_predict) ** 2) / len(y_true)

    def r_square(self, y_true, y_predict):
        """
        误差衡量标准，R squared
        返回值肯定是小于等于1的，R squared的值越大越好，当我们的预测模型完全预测准确时，就会得到最大值1
        :param y_true: 实际值
        :param y_predict: 预测值
        :return: R squared
        """
        return 1 - (self.mean_squard_error(y_true, y_predict)) / np.var(y_true)


if __name__ == '__main__':
    x = np.array([1, 2, 4, 6, 8])
    y = np.array([2, 5, 7, 8, 9])
    lr = uniLinearResgression()  # 训练模型的类名
    lr.fit(x, y)  # 训练模型得到a，b
    print(lr.predict([7]))
    print(lr.r_square([8, 9], lr.predict([6, 8])))