《机器学习实战》（七）-- LinearRegression

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://mp.csdn.net/mdeditor/100577083

绪言

我最近开始入门机器学习，使用的书是《机器学习实战》（Peter Harrington 著），为了巩固学习成果，决定写一系列日志，内容是总结性的，会做一些思维导图，写一些我学习时不懂的模块，函数语法等，但不涉及具体算法的实现（不具备教程性质）。
本文是系列日志的第七篇 – LinearRegression。

Xmind

模块语法

NumPy

linalg.det()

linalg.det()的作用是矩阵求行列式。
举个栗子：

import numpy as np

mat1 = np.mat(np.array([[4, 2], [4, 9]]))
det1 = np.linalg.det(mat1)
print(det1)

结果：

27.999999999999996

linalg.inv()

linalg.inv()的作用是矩阵求逆。
举个栗子：

import numpy as np

mat1 = np.mat(np.array([[4, 2], [4, 9]]))
mat2 = np.linalg.inv(mat1)
print(mat2)

结果：

[[ 0.32142857 -0.07142857]
 [-0.14285714  0.14285714]]

另外，也可以用.I来求逆，例如：

import numpy as np

mat1 = np.mat(np.array([[4, 2], [4, 9]]))
mat2 = mat1.I
print(mat2)

结果：

[[ 0.32142857 -0.07142857]
 [-0.14285714  0.14285714]]

corrcoef()

ccorrcoef()用来计算相关系数，输出结果为一个矩阵，$results[i][j]$表示第i个变量与第j个变量的相关系数.
举个栗子：

import numpy as np

mat1 = np.mat(np.array([4, 2, 4, 9]))
mat2 = np.mat(np.array([3, 2, 4, 8]))
print(np.corrcoef(mat1, mat2))

结果：

[[1.         0.98685197]
 [0.98685197 1.        ]]

flatten()

flatten()将多维数组转换为一维数组的功能，返回源数据的副本。但是该函数只能适用于numpy对象，即array或者mat，普通的list列表是不行的。
举个栗子：

import numpy as np

mat1 = np.mat(np.array([[4, 2], [4, 9]]))
mat2 = mat1.flatten()
print(mat2)

结果：

[[4 2 4 9]]

eye()

eye()可以生成一个单位矩阵。
调用语法为：

numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)

N:int型，表示的是输出的行数
M：int型，可选项，输出的列数，如果没有就默认为N
k：int型，可选项，对角线的下标，默认为0表示的是主对角线，负数表示的是低对角，正数表示的是高对角。
dtype：数据的类型，可选项，返回的数据的数据类型
order：{‘C’，‘F’}，可选项，也就是输出的数组的形式是按照C语言的行优先’C’，还是按照Fortran形式的列优先‘F’存储在内存中
举个栗子：

import numpy as np

mat1 = np.eye(4)
print(mat1)

结果：

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

mean()

mean()可以求出array或mat按轴向的均值。
调用方法为：

mean(data, axis=0)

其中：
data为需要求均值的数组；
axis表示轴向，不指定轴时将所有值求平均。
举个栗子：

import numpy as np

array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array1 = np.mean(array, axis=0)
print(array1)
array2 = np.mean(array, axis=1)
print(array2)
array3 = np.mean(array)
print(array3)

结果：

[4. 5. 6.]
[2. 5. 8.]
5.0

var()

var()可以求一组数据的方差。
举个栗子：

import numpy as np

array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
array1 = np.var(array, axis=0)
print(array1)
array2 = np.var(array, axis=1)
print(array2)
array3 = np.var(array)
print(array3)

结果：

[6. 6. 6.]
[0.66666667 0.66666667 0.66666667]
6.666666666666667

random

shuffle

shuffle()将序列的所有元素随机排序。
举个栗子：

import random

list1 = list(range(10))
print('list1:', list1)
random.shuffle(list1)
print('list1:', list1)

结果：

list1: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
list1: [7, 3, 4, 2, 5, 8, 6, 0, 9, 1]

sklearn

sklearn.linear_model可以直接用来训练线性回归。

一些函数

len()

利用open(filename).readline().split(’\t’)处理文件之后，再用len()函数求长度，求出来的值是数据的列数。

文章推荐

学习SVM的过程中，除了《机器学习实战》，原理部分主要看了下面几篇文章，写得都非常好。
Python3《机器学习实战》学习笔记（十一）：线性回归基础篇之预测鲍鱼年龄
Python3《机器学习实战》学习笔记（十二）：线性回归提高篇之乐高玩具套件二手价预测

PS： 如果觉得本篇本章对您有所帮助，欢迎关注、评论、赞！