## **线性回归总结**

线性回归总结

import numpy as np
import matplotlib.pyplot as plt
# 转化成矩阵
X = np.linspace(0,10,num = 30).reshape(-1,1)
# 斜率和截距，随机生成
w = np.random.randint(1,5,size = 1)
b = np.random.randint(1,10,size = 1)
# 根据一元一次方程计算目标值y，并加上“噪声”，数据有上下波动~
y = X * w + b + np.random.randn(30,1)
plt.scatter(X,y)
# 重新构造X，b截距，相当于系数w0，前面统一乘以1
X = np.concatenate([X,np.full(shape = (30,1),fill_value= 1)],axis = 1)
# 正规方程求解
θ = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y).round(2)
print('一元一次方程真实的斜率和截距是：',w, b)
print('通过正规方程求解的斜率和截距是：',θ)
# 根据求解的斜率和截距绘制线性回归线型图
plt.plot(X[:,0],X.dot(θ),color = 'green')

首先根据我们给定的随机的w,b和噪音可以确定出三十个一定线性的数据,通过矩阵可以求出正规方程的解
其实他说到底也就是根据散点图来求出他的回归方程

[[ 0. ]
[ 1.11111111]
[ 2.22222222]
[ 3.33333333]
[ 4.44444444]
[ 5.55555556]
[ 6.66666667]
[ 7.77777778]
[ 8.88888889]
[10. ]]
一元一次方程真实的斜率和截距是： [1] [9]
[[ 0. 1. ]
[ 1.11111111 1. ]
[ 2.22222222 1. ]
[ 3.33333333 1. ]
[ 4.44444444 1. ]
[ 5.55555556 1. ]
[ 6.66666667 1. ]
[ 7.77777778 1. ]
[ 8.88888889 1. ]
[10. 1. ]]
通过正规方程求解的斜率和截距是： [[1. ]
[8.99]]
这可以明白np.concatenate是将两个列表拼在一起,axis表示连接方式,

scikit-learn实现简单线性回归

from sklearn.linear_model import LinearRegression
import numpy as np
import matplotlib.pyplot as plt

转化成矩阵

X = np.linspace(0,10,num = 30).reshape(-1,1)

斜率和截距，随机生成

w = np.random.randint(1,5,size = 1)
b = np.random.randint(1,10,size = 1)

根据一元一次方程计算目标值y，并加上“噪声”，数据有上下波动~

y = X * w + b + np.random.randn(30,1)
plt.scatter(X,y)

使用scikit-learn中的线性回归求解

model = LinearRegression()
model.fit(X,y)
w_ = model.coef_
b_ = model.intercept_
print(‘一元一次方程真实的斜率和截距是：’,w, b)
print(‘通过scikit-learn求解的斜率和截距是：’,w_,b_)
plt.plot(X,X.dot(w_) + b_,color = ‘green’)