python对于一元线性回归模型_Python|机器学习-一元线性回归

一元线性回归模型很简单

y1=ax+b+ε，y1为实际值，ε为正态的误差。

y2=ax+b，y2为预测值。

ε=y1-y2。def model(a,b,x):

# x is vector，a and b are the common number.

return a*x+b

这里将整组数据的预测结果方差作为损失函数。

J(a,b)=sum((y1-y2)^2)/ndef cost(a,b,x,y):

# x is argu, y is actual result.

n=len(x)

return np.square(y-a*x-b).sum()/n

优化函数则进行使损失函数，即方差最小的方向进行搜索

a=a-theta*(∂J/∂a)

b=b-theta*(∂J/∂b)

这里的解释就是，对影响因素a或b求损失函数J的偏导，如果损失函数随着a或b增大而增大，我们就需要反方向搜索，使得损失函数变小。

对于偏导的求取则看的别人的推导公式

theta为搜索步长，影响速度和精度(我猜的，实际没有验证)def optimize(a,b,x,y):

theta = 1e-1 # settle the step as 0.1

n=len(x)

y_hat = model(a,b,x)

# compute forecast values

da = ((y_hat-y)*x).sum()/n

db = (y_hat-y).sum()/n

a = a - theta*da

b = b - theta*db

return a, b

使用sklearn库，可以使用现成的线性回归模型import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

x = [1,2,4,5,6,6,7,9]

x = np.reshape(x,newshape=(8,1))

y = [10,9,9,9,7,5,3,1]

y = np.reshape(y,newshape=(8,1))

# create an instance of LinearRegression model

lr = LinearRegression()

# train model

lr.fit(x,y)

lr.score(x,y)

# compute y_hat

y_hat = lr.predict(x)

# show the result

plt.scatter(x,y)

plt.plot(x, y_hat)

plt.show()