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()