机器学习之监督学习：回归

最新推荐文章于 2024-05-02 20:05:57 发布

hahahahhavvincy

最新推荐文章于 2024-05-02 20:05:57 发布

阅读量272

点赞数

分类专栏：机器学习分类文章标签：机器学习监督学习线性回归岭回归分类算法

本文链接：https://blog.csdn.net/weixin_44271575/article/details/98208579

版权

本文深入探讨了机器学习中的监督学习方法——回归。通过实例分析了线性回归在房价预测中的应用，详细介绍了如何进行线性拟合和多项式回归，以处理非线性关系。同时，引入岭回归作为改进的线性模型，用于交通流量预测，以提高预测准确性。

摘要由CSDN通过智能技术生成

线性回归

：用来确定两种或两种以上变量间的相互依赖的定量关系

房价与房屋尺寸的线性拟合

：对房屋成交信息建立回归方程，并依据回归方程对房屋价格进行预测

数据格式一览

在这里插入图片描述

源代码

import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
 
 
//读取数据集
datasets_X = []
datasets_Y = []
fr = open('prices.txt','r')
lines = fr.readlines()
for line in lines:
    items = line.strip().split(',')
    //存储房屋尺寸
    datasets_X.append(int(items[0]))
    //存储房屋价格
    datasets_Y.append(int(items[1]))
 
length = len(datasets_X)
//将其变为二维数组，以符合线性回归拟合函数输入参数的要求
datasets_X = np.array(datasets_X).reshape(length,1)
//将其变为等长数组
datasets_Y = np.array(datasets_Y)
 
minX = min(datasets_X)
maxX = max(datasets_X)
//建立等差数列，方便后续画图
X = np