线性回归模型机器学习代码实现

模型实现需要四步：

1.将数据划分为训练集和测试数据集，解决过度拟合的问题

2.利用训练数据集训练模型，估计模型参数

3.利用测试数据集评价模型，计算对应的均方差和决定系数

4.用图像化的方式，展示模型效果

实现代码如下：

import os
import sys

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn import linear_model
#建立线性回归模型
def linearModel(data):
    """
    线性回归模型建模步骤展示
    
    参数
    ---
    data:DataFrame,建模数据
    """
    features = ["x"]
    labels = ["y"]
    #划分训练集和测试集
    trainData = data[:15]
    testData = data[15:]
    #产生并训练模型
    model = trainModel(trainData,features,labels)
    #评价模型效果
    error,score = evaluateModel(model,testData,features,labels)
    #图形化模型结果
    visualizeModel(model,data,features,labels,error,score)
    
#使用第三方开源算法库scikit-learn来搭建和训练线性回归模型
def trainModel(trainData,features,labels):
    """
    利用训练数据，估计模型参数
    
    参数
    -