通俗易懂--线性回归算法讲解(算法+案例)

1.线性回归(Linear Regression)

GitHub地址(代码加数据)

1.1什么是线性回归

我们首先用弄清楚什么是线性,什么是非线性。

  • 线性:两个变量之间的关系一次函数关系的——图象是直线,叫做线性。

    注意:题目的线性是指广义的线性,也就是数据与数据之间的关系。

  • 非线性:两个变量之间的关系不是一次函数关系的——图象不是直线,叫做非线性。

相信通过以上两个概念大家已经很清楚了,其次我们经常说的回归回归到底是什么意思呢。

  • 回归:人们在测量事物的时候因为客观条件所限,求得的都是测量值,而不是事物真实的值,为了能够得到真实值,无限次的进行测量,最后通过这些测量数据计算回归到真实值,这就是回归的由来。

通俗的说就是用一个函数去逼近这个真实值,那又有人问了,线性回归不是用来做预测吗?是的,通过大量的数据我们是可以预测到真实值的。如果还是不明白,大家可以加一下我的微信:wei15693176 进行讨论。

  • 7
    点赞
  • 50
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
线性回归是一种常见的机器学习算法,用于建立输入变量与输出变量之间的关系模型。它的基本思想是在给定的一组输入变量x和相应的输出变量y之间建立一个线性关系,即y = wx + b,其中w是权重参数,b是偏置参数。线性回归的目标是找到最佳的权重和偏置参数,使得模型预测的输出值与实际输出值之间的误差最小化。 下面以房价预测为例,来说明线性回归的应用。假设我们有一个数据集,包含房屋面积和相应的房价数据。我们可以使用线性回归模型来预测给定房屋面积时的房价。 首先,我们需要将数据集分为训练集和测试集。训练集用于训练模型,测试集用于评估模型的性能。 然后,我们可以使用线性回归算法对训练集进行拟合,找到最佳的权重和偏置参数。一般使用最小二乘法来求解,使得拟合出的模型对训练集中的数据误差最小化。 最后,我们可以使用拟合出的模型来预测测试集中的房价数据,评估模型的性能。通常使用均方误差(MSE)或平均绝对误差(MAE)来评估模型的预测性能。 例如,我们可以使用以下代码来实现线性回归模型的训练和预测: ``` from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 加载数据集 X_train, y_train, X_test, y_test = load_data() # 创建线性回归模型 model = LinearRegression() # 训练模型 model.fit(X_train, y_train) # 预测测试集中的房价 y_pred = model.predict(X_test) # 计算均方误差 mse = mean_squared_error(y_test, y_pred) ``` 以上是一个简单的线性回归模型的示例,通过训练模型并预测数据,我们可以得到模型的拟合效果和预测性能。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值