机器学习线性回归算法实验报告_机器学习之简单线性回归

为了利用机器学习进行简单的线性回归，先理解机器学习和线性回归的概念，然后通过案例进行机器学习。本文主要目录如下：

一、机器学习的概念

二、线性回归的概念

三、机器学习线性回归模型

（一）导入数据集

（二）提取特征标签

（三）绘制原始数据散点图

（四）查看相关系数

（五）建立训练数据和测试数据

（六）构建线性回归模型

1、数据形状的转化

2、导入线性回归包，创建模型，训练模型

3、查看截距和相关系数

4、查看模型准确率（评估模型）

5、绘制训练数据单点图：通过训练数据预测值绘制最佳拟合曲线，绘制测试数据散点图

一、机器学习概念

（一）概念

从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。

从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。

机器学习与人类思考的经验过程是类似的，不过它能考虑更多的情况，执行更加复杂的计算。事实上，机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程。通过计算机得出的模型能够以近似于人的方式解决很多灵活复杂的问题。

机器学习过程如下：

首先，需要在计算机中存储历史数据；

其次，将存储的历史数据通过机器学习算法进行处理，这个过程在机器学习中叫做“训练”，处理的结果可以被用来对新的数据进行预测，这个结果一般称之为“模型”。对新数据的预测过程在机器学习中叫做“预测”。

“训练”与“预测”是机器学习的两个过程，“模型”则是过程的中间输出结果，“训练”产生“模型”，“模型”指导“预测”。

机器学习中的“训练”与“预测”过程可以对应到人类的“归纳”和“推测”过程。通过这样的对应，可以发现，机器学习的思想并不复杂，仅仅是对人类在生活中学习成长的一个模拟。由于机器学习不是基于编程形成的结果，因此它的处理过程不是因果的逻辑，而是通过归纳思想得出的相关性结论。

机器学习最通俗的解释就是让机器学会决策。对于我们人来说，比如去菜市场里挑选芒果，从一堆芒果中拿出一个，根据果皮颜色、大小、软硬等属性或叫做特征，我们就会知道它甜还是不甜。类似的，机器学习就是把这些属性信息量化后输入计算机模型，从而让机器自动判断一个芒果是甜是酸，这实际上就是一个分类问题。

分类和回归是机器学习可以解决两大主要问题，从预测值的类型上看，连续变量预测的定量输出称为回归；离散变量预测的定性输出称为分类。例如：预测明天多少度，是一个回归任务；预测明天阴、晴、雨，就是一个分类任务。

（二）机器学习的方法

机器学习中有众多算法，使用最多、影响最广、种类最全的典型算法包括：回归算法、神经网络、SVM（支持向量机）、聚类算法、降维算法、推荐算法这六种。另外，机器学习界还有其他的如高斯判别、朴素贝叶斯、决策树等等算法。

回归算法是后面若干