机器学习--实现简单线性回归

数据集

https://download.csdn.net/download/weixin_43755104/39603621
如果下载不了请私信，看到会发给你，数据集最好与你建的脚本在一个目录下，在读取路径时好写。
pd.read_csv要改成自己的路径

第一步：数据预处理

import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  

dataset = pd.read_csv('studentscores.csv')  
dataset.head(10)

第二步：通过训练集来训练简单线性回归模型

feature_culumns = ['Hours']
laber_column = ['Scores']
features = dataset[feature_culumns]
laber = dataset[laber_column]
# 它的一个features也就是hours那一列数据的值赋给x，引文features是二维的表格，带有索引的值，要把值提取出来不要索引
x=features.values
y=laber.values
from sklearn.model_selection import train_test_split
#对训练数据集合测试数据集进行负值，测试数据集为1/4，训练数据集为3/4
X_train,X_test,Y_train,Y_test = train_test_split(x,y,test_size=1/4,random_state=0)
#通过训练集来训练简单线性回归模型
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
#导入回归模型之后，对训练数据进行拟合
regressor = regressor.fit(X_train,Y_train)
#对测试集进行预测
Y_pred = regressor.predict(X_test)

第三步：训练结果可视化

训练结果可视化：

# 散点图，x的训练数据作为x轴，y的训练数据作为y轴。
plt.scatter(X_train,Y_train,color='red')
# 线图：蓝色线表示由训练集训练出的线性回归模型
plt.plot(X_train,regressor.predict(X_train),color = 'blue')
plt.show()

测试结果可视化：

# 散点图： 红色点表示测试集的点
plt.scatter(X_test,Y_test,color= 'red')
#线图：蓝色线表示对测试集进行预测的结果
plt.plot(X_test,regressor.predict(X_test),color='blue')
plt.show()

报错

如果报错可能你没有安装scikit-learn，请安装。

conda install scikit-learn

写在最后不知道为啥我的导不出md文件，导出之后是个压缩包，损坏打开不了，我还得一块块复制到CSDN