机器学习之线性回归（Day2）

机器学习之线性回归（简单易学）

1. 什么是回归分析？
首先和大家分享一个案例：通过住宅面积预测售价

通过图中标识数据，我们可以找到售价与住宅面积之间的关系，寻找一条最好的直线或曲线来拟合数据。
生活当中有许多诸如此类的例子：年龄预测身高；医生数量预测区域人均寿命…
回归分析：根据数据，确定两种或两种以上变量间相互依赖的定量关系。具体分类如下：

2. 什么是线性回归？
线性回归是回归分析问题中最简单的一种，即找到变量与因变量存在的线性关系。函数表达式：y=ax+b(高中学习的一次函数)
3. 回归问题求解
问题：面积110平米售价150万是否值得投资？

第一步：确定P、A间的定量关系P=f(A)；
第二步：根据关系预测合理价格；
第三步：做出判断。
第一部确定关系为关键，即如何求出y=ax+b中的a和b（最合适）？
假设x为变量，y为对应的结果，y1为模型的输出结果，目标变为y1尽可能接近y.

上述公式可以转化为：

这就是我们经常提到的损失函数。（除2m是为了将来求导方便求解）
代入公式：
求解方法：梯度下降法：寻找极小值的一种方法。通过函数上当前点对应梯度（或是近似梯度）的反方向的规定步长距离进行迭代搜索，直到在极小点收敛。（高数中也有讲解，大家学习人工智能之前首先要有必备的数学知识。）


这样就可以找到a和b了。
举例：

逐渐求导，直至接近极小值点，直线平行。

4. 代码实现
（1）Scikit-learn
Python语言中专门针对机器学习应用发展起来的一款开源框架，可以实现数据预处理、分类、回归、降维、模型选择等常用的机器学习算法。感兴趣的读者可以到网站
（https://scikit-learn.org/stable/index.html）学习
（2）调用SKlearn求解线性回归问题

#建立线性回归模型
from sklearn.linear_model import LinearRegression
lr_model = LinearRegression()
#拟合数据
lr_model.fit(x,y)
#预测数据
y_predict = lr_model.predict(x)

#a\b打印
a = lr_model.coef_
b = lr_model.intercept_

（3）评估模型表现

#评估模型表现  MSE越小越好，R2分数越接近1越好
from sklearn.metrics import mean_squared_error,r2_score
MSE = mean_squared_error(y,y_predict)
R2 = r2_score(y,y_predict)
print(MSE,R2)

（4）图形展示

#通过图形评估模型
from matplotlib import pyplot as plt
plt.figure()
plt.plot(y,y_predict)#画图对比y和y_predict
plt.show()

5. 实战应用（基于AI Studio平台）
（1）单因子线性回归
基于danyinzi1.csv的数据，建立线性回归模型，并预测x=3.5对应的y的值，评估模型表现。
该数据非常简单，大家自行创建即可。

以图片形式展示：

（2）多因子线性回归
任务： 基于housing_price.csv数据，建立线性回归模型，预测合理房价

• 以面积为输入变量，建立单因子模型，评估模型表现，可视化线性回归预测结果
• 以其他数据为输入变量，建立多因子模型，评估模型表现，
• 给出一条数据进行预测
• 注意：由于无法找到合适数据，代码不能运行，只能参考