目录
1.线性关系模型
矩阵的乘法满足线性回归运算需求
1.1损失函数:
优化和迭代的过程 就是求最合适的 权重的 过程
1.2 最小二乘法之正规方程
1.3 最小二乘法之梯度下降(通用)
1.4 正规方程预测波士顿房价
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression, SGDRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
def myliner():
'''
# 线性回归预测房价
:return:
'''
# 获取数据
lb = load_boston()
# 分割数据
x_train, x_test, y_train, y_test = train_test_split(lb.data, \
lb.target, test_size=0.2)
# 标准化 目标值要不要标准化处理 需要!!
# 特征值标准化
std_x = StandardScaler()
x_train = std_x.fit_transform(x_train)
x_test = std_x.transform(x_test)
# 目标值标准化
std_y = StandardScaler()
y_train = std_y.fit_transform(y_train.reshape(-1, 1)) # 把目标值变成二维
y_test = std_y.transform(y_test.reshape(-1, 1))
# 预测
# 正规方程求解预测
lr = LinearRegression()
lr.fit(x_train, y_train)
print(lr.coef_)
# 预测测试集的房子价格 前面进行了标准化,这里通过inverse 再转换回去
y_predict = std_y.inverse_transform(lr.predict(x_test))
print("测试集里每个房子的预测价格:", y_predict)
return None
if __name__ == '__main__':
myliner()