线性回归初学

线性回归初学

导入库

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

开始操作

x = np.array([1,2,3])
y = np.array([4,5,6])
x

array([1, 2, 3])

#later
x = np.array([1,2,3]).reshape(-1,1)
y = np.array([4,5,6]).reshape(-1,1)
x

array([[1],
[2],
[3]])

展示出来

plt.plot(x,y,marker = 'o')
plt.show()

from sklearn import linear_model
model = linear_model.LinearRegression()
#参数fit_intercept截距
#参数normalize回归之前要不要进行类标准化的处理
#参数copy_X表示进行回归时，复制特征矩阵x，不会覆盖原矩阵
#参数n_jobs表示计算的作业数，输入-1则使用全部的CPU来计算

model.fit(x,y)

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

model.predict([[6]])

array([[9.]])

print('系数',model.coef_)
print('常数',model.intercept_)

系数 [[1.]]
常数 [3.]

案例

body = pd.read_excel('./身高体重.xls')
body

身高	体重

0 1.55 50
1 1.60 52
2 1.65 57
3 1.67 56
4 1.70 60
5 1.75 65
6 1.80 62
7 1.82 70

model.fit(body['体重'].values.reshape(-1,1),body['身高'].values.reshape(-1,1))

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

model.predict([[70]])

array([[1.8401129]])