一元一次线性回归案例-学习成绩模型分析

 知识代码

# 一元线性回归代码实现

# 【1】导入资源包
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 【2】加载样本数据,核心是给x,y赋值
x = [[1], [2], [4], [5]]
y = [2,6,8,15]

#【3】模型搭建
lr = LinearRegression()

#【4】模型训练
lr.fit(x,y)

#【5】模型预测
res = lr.predict([[10]])
print(res)

#拓展
#【6】显示模型参数
print('回归系数a:',str(lr.coef_))
print('截距b:',str(lr.intercept_))
print('模型函数： y = ',str(lr.coef_[0]),'*x +',str(lr.intercept_))

#【7】样本及模型可视化
plt.scatter(x,y)
plt.plot(x,lr.predict(x))
plt.show()

案例一：

需求

分析AI专业学生学习时长和最终成绩的关系

数据

学习时长	最终成绩
120	100
1	0
2	0
10	20
50	70
90	80
70	63
100	90

代码：

# 【1】导入资源包
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import pandas as pd

# 【2】加载样本数据,核心是给x,y赋值
df = pd.read_excel('data.xlsx')
print(df.head())

x = df[['学习时长']]
y = df['最终成绩']

#【3】模型搭建
lr = LinearRegression()

#【4】模型训练
lr.fit(x,y)

#【5】模型预测
res = lr.predict([[73]])
print(res)

#拓展
#【6】显示模型参数
print('回归系数a:',str(lr.coef_))
print('截距b:',str(lr.intercept_))
print('模型函数： y = ',str(lr.coef_[0]),'*x +',str(lr.intercept_))

#【7】样本及模型可视化
plt.scatter(x,y)
plt.plot(x,lr.predict(x))
plt.show()