用python处理excel数据、求线性回归方程的r值_python实现简单的单变量线性回归方法...

线性回归是机器学习中的基础算法之一，属于监督学习中的回归问题，算法的关键在于如何最小化代价函数，通常使用梯度下降或者正规方程（最小二乘法），在这里对算法原理不过多赘述，建议看吴恩达发布在斯坦福大学上的课程进行入门学习。

这里主要使用python的sklearn实现一个简单的单变量线性回归。

sklearn对机器学习方法封装的十分好，基本使用fit,predict,score，来训练，预测，评价模型，

一个简单的事例如下：

from pandas import DataFrame

from pandas import DataFrame

import pandas as pd

import matplotlib.pyplot as plt

from sklearn import datasets,linear_model

X=[]

Y=[]

with open("C:\\Users\\www\\ex1data1.txt","r") as f: #读取txt文件。

for line in f:

p_tmp, E_tmp = [float(i) for i in line.split(',')]

X.append(p_tmp)

Y.append(E_tmp)

#'data=np.loadtxt('ex1data1.txt',delimiter=',')

# X=data[0]

# Y=data[1]

data=DataFrame(X,columns={'a'})

data['b']=b

X=DataFrame(X)

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

plt.scatter(data['a'],data['b']) #显示X，Y的散点图

def linear_model_main(X,Y,predict_value): #定义一个使用线性回归的函数

regr=linear_model.LinearRegression()

regr.fit(X,Y) #训练模型

predict_output=regr.predict(predict_value) #预测

predictions={} #用一个集合装以下元素

predictions['intercept']=regr.intercept_ #截距

predictions['codfficient']=regr.coef_ #斜率（参数）

predictions['predict_value']=predict_output #预测值

return predictions

result = linear_model_main(X,Y,1500) #调用函数

print(result['predict_value'])

def show_predict(X,Y):

regr=linear_model.LinearRegression()

regr.fit(X,Y)

plt.scatter(X,Y,color='blue')

plt.plot(X,regr.predict(X),color='red')

show_predict(X,Y)

最后拟合结果如图：

以上这篇python实现简单的单变量线性回归方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。