机器算法之回归分析

---

前言

提示：这里可以添加本文要记录的大概内容：
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习算法之常用回归算法。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、线性回归

1.一元线性回归

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
path='C:\\Users\\Administrator\\'  # 等价于import os  os.getcwd()
X=pd.read_csv(path+'1x_regression.csv',sep=',',encoding='utf-8').values
X.shape
lr=LinearRegression()
lr.fit(X[:,0].reshape(-1,1),X[:,1].reshape(-1,1))  #X[:,1]取X最后一列做一维数组(标签)
lr.predict(X[:,0].reshape(-1,1))
print('回归方程:','y=',lr.coef_[0],'*x+',lr.intercept_[0])
for x in range(10):
    print('x=',x,'时,y的预测值为',lr.predict([[x]]))

输出结果：

2.多元线性回归

#加载数据集
X=pd.read_csv(path+'3x_regression.csv',sep=',',encoding='utf-8').values
lr=LinearRegression()
lr.fit(X[:,0:3],X[:,3])
print('回归系数为',lr.coef_)
print('截距为',lr.intercept_)
print('回归方程：','y=',lr.coef_[0],'*x0+',lr.coef_[1],'*x1+',lr.coef_[2],'*x2+',lr.intercept_)
for x0 in [1,3]:
    for x1 in [2,4]:
        for x2 in [5,7]:
            x=np.array([x0,x1,x2]).reshape(