机器学习之线性回归

一. 简单线性回归
第一步：数据预处理
参考上篇博客：
1）导入pandas、numpy。
2）使用pandas导入数据
3）处理数据缺失值
4）将类别特征的输入及标签进行数值化
5）进行数据的归一化或者标准化
6）划分数据集
第二步：通过训练集训练模型
因为选择了线性回归模型，所以使用的是sklearn.linear_model中的LinearRegression。
第三步：预测
训练好模型后对测试集进行预测
第四步：结果可视化
使用matplot.pyplot库对训练集和测试集做散点集，查看模型的预测效果。

二.代码（python）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

dataset = pd.read_csv(‘studentscores.csv’)
X = dataset.iloc[ : , : 1 ].values
Y = dataset.iloc[ : , 1 ].values

X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)

创建模型

regressor = LinearRegression()
regressor = regressor.fit(X_train,Y_train)

预测结果

Y_pred = regressor.predict(X_test)

训练集可视化

plt.scatter(X_train,Y_train,color = “red”)
plt.plot(X_train,regressor.predict(X_train),color = “blue”)
plt.title(“train_LR”)
plt.show()

测试集可视化

plt.scatter(X_test,Y_test,color = “red”)
plt.title(“test_LR”)
plt.plot(X_test,regressor.predict(X_test),color = “blue”)
plt.show()

参考：
https://github.com/MLEveryday/100-Days-Of-ML-Code