机器学习-线性回归

线性回归

1.引入数据，数据处理，低维数据要变为二维 

        可以使用plt.scatter(查看形状数量)

2.创建LR对象将数据进行拟合

        可以使用 查看图像plt.plot(X_data,Y_data,'b.')
                              plt.plot(X_data,lr.predict(X_data),'r')                
                              plt.show()

3.导入要预测的新对应数据特征，改变新特征的数据维度

我选择的数据如下

AT，V， AP， PH 列分别为特征值，PE为预测值。

如需要可从如下下载（仅供参考和学习）

https://www.lanzoub.com/i5Fs621ptgdc   密码:9bsk
 

4.进行预测使用predict方法传入特征数据  如：返回对象 = lr.predict(新特征量)

5.输出或者填入预测值

# 使用序列预测数据

# 导入线性回归模块
from sklearn.linear_model import LinearRegression
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 引入数据
data = pd.read_excel('scikit-learn\\线性回归\\发电场数据.xlsx')
# 数据处理
x_data = data.iloc[:,0:4]
y_data = data.iloc[:,4]     # 预测列


x = np.arange(1,len(data.iloc[:,0])+1)
plt.scatter(x,y_data)
plt.show()
print(x_data.shape)     # 打印形状数量

#转换二维数组w2
X_data = x_data
Y_data = y_data.values.reshape(-1,1)

print(X_data)
print(X_data)

# 创建对象
lr = LinearRegression()
lr.fit(x_data,Y_data)   # 拟合

plt.plot(X_data,Y_data,'b.')
plt.plot(X_data,lr.predict(X_data),'r')
plt.show()

# 预测
ycdata = np.array([28.4,50.6,1011.9,80.54])
yc1_data = ycdata.reshape(1,4)
R1 = lr.predict(yc1_data)
print(R1)

预测结果