python拟合直线方程_常用的机器学习—学习Python

机器学习算法可大致分为两种类型 - 监督学习和无监督学习。本文将详细讨论

监督学习

该算法由目标、结果或因变量组成，因变量是从给定的一组预测变量或自变量预测的。使用这些变量集，我们生成一个将输入变量映射到所需输出变量的函数。训练过程一直持续到模型在训练数据上达到所需的准确度。

监督学习的例子 - 回归，决策树，随机森林，KNN，Logistic回归等。

无监督学习

在该算法中，没有目标、结果或因变量来预测或估计。它用于将给定数据集聚类到不同的组中，广泛用于将信息划分为不同的组以进行特定干预。Apriori算法和K-means是无监督学习的一些例子。

强化学习

使用该算法，机器经过训练以做出特定的决定。在这里，算法采用了试错法和反馈法对自己进行不断的训练。该机器从过去的经验中学习，并试图获取最佳可能的知识，以做出准确的业务决策。

马尔可夫决策过程是强化学习的一个例子。

常用机器学习算法列表

以下是几乎可用于任何数据问题的常用机器学习算法列表 -

• 线性回归
• Logistic回归
• 决策树
• SVM
• 朴素贝叶斯
• KNN
• K-Means
• 随机森林
• 降维算法
• Gradient Boosting算法，如GBM，XGBoost，LightGBM和CatBoost

线性回归

线性回归用于基于连续变量估计真实世界值，例如房屋成本，通话次数，总销售额等。在这里，我们通过拟合最佳线来建立依赖变量和自变量之间的关系。这条最佳拟合线称为回归线，由线性方程Y = a * X + b表示。

在这个等式中 -

Y - 因变量

a - 斜率

X - 自变量

b - 截距

这些系数a和b是基于最小化数据点和回归线之间的距离的平方差的总和而导出的。

理解线性回归的最佳方法是考虑一个例子。假设我们被要求按照学生体重增加的顺序来安排他们在一个班级里。通过观察学生直观地分析他们的身高和体重，我们可以根据需要将这些参数(身高和体重)组合来安排他们。这是现实世界的线性回归示例。我们已经通过一个关系算出了身高和身高与体重之间的关系，这个关系类似于上面的方程。

线性回归的类型

线性回归主要有两种类型 - 简单线性回归和多元线性回归。简单线性回归具有一个自变量的特征，而多元线性回归具有多个自变量的特征。在寻找最佳拟合直线的同时，可以拟合多项式或曲线回归。可以使用以下代码来实现此目的。

import matplotlib.pyplot as pltplt.scatter(X, Y)yfit = [a + b * xi for xi in X]plt.p