pytorch线性回归代码_机器学习第1天:线性回归(代码篇)

14faede8d367380eb8f6849b9ac79ce3.png

文章目录

  • 一、具体实现步骤
    • 1. 导入Iris鸢尾花数据集
    • 2. 提取花瓣数据
    • 3. 拆分数据
    • 4. 训练模型
  • 二、可视化结果展示
    • 1. 训练集
    • 2. 测试集
  • 三、相关知识点讲解
    • 1. train_test_split()函数
    • 2. LinearRegression()函数
    • 3. 散点图与折线统计图的绘制

这篇文章中,我们要通过鸢尾花的花瓣长度预测花瓣宽度

  • 环境:Python3.6.5
  • 编译器:jupyter notebook
  • 代码|数据:微信公众号(明天依旧可好)中回复:第1天

一、具体实现步骤

1. 导入Iris鸢尾花数据集

Iris鸢尾花数据集共有150条记录,分别是:

  • 50条山鸢尾 (Iris-setosa)
  • 50条变色鸢尾(Iris-versicolor)
  • 50条维吉尼亚鸢尾(Iris-virginica)
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"  
names = ['花萼-length', '花萼-width', '花瓣-length', '花瓣-width', 'class']  
dataset = pd.read_csv(url, names=names)

2. 提取花瓣数据

下面我们提取数据集中花瓣宽度花瓣长度数据,将花瓣数据分为训练数据测试数据,训练数据用于训练线性回归模型,测试数据用于检测我们的模型的准确率。

最终我们要达到的效果是:输入花瓣宽度,通过模型预测花瓣宽度。

X = dataset["花瓣-length"]
Y = dataset["花瓣-width"]
X = X.reshape(len(X),1)
Y = Y.reshape(len(Y),1)

3. 拆分数据

将数据集拆分数据集成训练集、测试集

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

4. 训练模型

这里我们需要将我们的训练数据喂给模型进行训练。

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

二、可视化结果展示

1. 训练集

将训练集中每一朵花的花瓣数据与线性回归模型预测的结果放到同一张统计图中。

import matplotlib.pyplot as plt

plt.scatter(X_train, Y_train, color='red')
plt.plot(X_train, regressor.predict(X_train), color='green')
plt.xlabel("Iris-length") 
plt.ylabel("Iris-width") 
plt.title("This is train dataset-kzb")
plt.show()

红色的点是训练数据集中的花瓣数据,我们不难看出花瓣长度与宽度是一个线性关系,绿色的线是我们模型拟合的结果。

74aae8e846864b96bea14d1d85eca1ab.png

2. 测试集

将测试集中每一朵花的花瓣数据与线性回归模型预测的结果放到同一张统计图中。

plt.scatter(X_test, Y_test, color='blue')
plt.plot(X_train, regressor.predict(X_train), color='green')
plt.xlabel("Iris-length") 
plt.ylabel("Iris-width") 
plt.title("This is test dataset-kzb")
plt.show()

绿色的点是测试数据集中的花瓣数据,我们可以看出这部分数据也是符合线性关系的,随着集的增大,线性关系会更加明显。

20f80962061343ce8ad25c3febc2f476.png

三、相关知识点讲解

1. train_test_split()函数

train_test_split():将数据集划分为测试集与训练集。

  • X:所要划分的整体数据的特征集;
  • Y:所要划分的整体数据的结果;
  • test_size:测试集数据量在整体数据量中的占比(可以理解为X_test与X的比值);
  • random_state:①若不填或者填0,每次生成的数据都是随机,可能不一样。②若为整数,每次生成的数据都相同;
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

2. LinearRegression()函数

sklearn.linear_model包实现了广义线性模型,包括线性回归、Ridge回归、Bayesian回归等。LinearRegression是其中较为简单的线性回归模型。

解释一下什么是回归:回归最简单的定义是,给出一个点集D,用一个函数去拟合这个点集,并且使得点集与拟合函数间的误差最小,如果这个函数曲线是一条直线,那就被称为线性回归,如果曲线是一条二次曲线,就被称为二次回归。

3. 散点图与折线统计图的绘制

plt.scatter():绘画出数据的散点图plt.plot():绘画出依据模型(LinearRegression的线性回归模型)生成的直线

更详细的介绍可以参考:【Matplotlib可视化系列教程】

【机器学习100天目录】
【机器学习第2天:线性回归(理论篇)】
【机器学习第3天:预测汽车的燃油效率】
【机器学习第4天:预测1立方米混凝土抗压强度】
【机器学习第5天:逻辑回归】

如有错误欢迎指教,有问题的也可以加入QQ群(1149530473)向我提问,关注微信公众号(明天依旧可好)和我同步。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值