【头歌】重生之数据挖掘算法原理与实践：线性回归（房价预测）

关于【头歌】线性回归理论与案例实践的其他单元仅粉丝可见，想要更多学习资源的同学关注我哦~

创作不易，参考之前，点个赞，收藏，关注一下不过分吧，家人们

第1关：线性回归算法思想

• 1、

  下面属于多元线性回归的是？

  A、

  求得正方形面积与对角线之间的关系。

  B、

  建立股票价格与成交量、换手率等因素之间的线性关系。

  C、

  建立西瓜价格与西瓜大小、西瓜产地、甜度等因素之间的线性关系。

  D、

  建立西瓜书销量与时间之间的线性关系。

• 答案：B C

第2关：动手实现线性回归

任务描述

本关任务：根据本关卡所学知识，构建线性回归算法，并利用波士顿房价数据对模型进行训练，然后对未知的房价数据进行预测。

编程要求

根据提示，在右侧编辑器Begin-End处补充 Python 代码，实现线性回归算法与MSE损失函数计算方法，并利用房价数据对模型进行训练，然后对未知的房价数据进行预测。

#mse
def mse_score(y_predict,y_test):
    #********* Begin *********#
    m = len(y_predict)
    a = y_test - y_predict
    mse = np.dot(a,a)/m
    #********* End *********#
    return mse

def lr(train_feature,train_label,test_feature):
    '''
    input:
        train_feature(ndarray):训练样本特征
        train_label(ndarray):训练样本标签
        test_feature(ndarray):测试样本特征
    output:
        predict(ndarray):测试样本预测标签
    '''
    #********* Begin *********#
    #将x0=1加入训练数据
    new_train = np.concatenate((np.ones(len(train_feature)).reshape(-1,1),train_feature),axis=1)
    #使用正规方程解求得参数
    train_T = new_train.T
    linal = np.linalg.inv(np.dot(train_T,new_train))
    result = np.dot(linal,train_T)
    theta = np.dot(result,train_label)

    #将x0=1加入测试数据
    new_test = np.concatenate((np.ones(len(test_feature)).reshape(-1,1),test_feature),axis=1)
    #求得测试集预测标签    
    predict = np.dot(new_test, theta)
    #********* End *********#
    return predict

第3关：衡量线性回归的性能指标

任务描述

本关任务：根据本关卡所学知识，用Python实现线性回归常用评估指标，并对构造的线性回归模型进行评估。

def r2_score(y_predict,y_test):
    '''
    input:y_predict(ndarray):预测值
          y_test(ndarray):真实值
    output:r2(float):r2值
    '''
    #********* Begin *********#
    r2 = 1-mse_score(y_predict,y_test)/np.var(y_test)
    #********* End *********#
    return r2