#2021.10.16 HIT ATCI LZH
#sklearn线性回归,函数拟合,加噪声扰动
from sklearn import linear_model
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.python.ops.variables import local_variables
#生成数据集
x = np.linspace(-1, 1, 50) #x,y 此时是list列表
y = 2*x + 1
y = y + np.random.rand(50)
#Sklearn中线性回归算法的fit方法需要传进去的x,y是两组矩阵,而不能是List,因此需要把list转变为矩阵
x = [[i] for i in x]
y = [[i] for i in y]
#训练线性回归模型
model = linear_model.LinearRegression()
model.fit(x, y)
#进行预测
w_ = model.coef_ #预测的权值
b_ = model.intercept_ #预测的截距
x_ = [[1], [3]] #测试值
y_ = model.predict(x_)
print('y_ = ', y_)
print('w_ = ', w_)
print('b_ ', b_)
#数据集绘图
plt.figure(1)
plt.scatter(x, y, label = 'Real Date')#b代表蓝色, o代表圆点
plt.plot(x,x*w_ + b_, 'r', label = 'Predict Data')#r代表红色
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.title('Real : y = 2*x + 1 Predict: y = {0}*x + {1}'.format(w_, b_))
plt.show()
sklearn线性回归,函数拟合,加噪声扰动
最新推荐文章于 2022-08-08 19:48:14 发布
该博客介绍了如何使用sklearn库进行线性回归分析。首先,通过生成数据集并添加噪声,然后将数据从列表转换为矩阵以适应sklearn的fit方法。接着,训练线性回归模型,获取预测权重和截距,并进行预测。最后,将预测结果与原始数据对比,绘制了实际数据与预测数据的图形,展示了模型的拟合效果。
摘要由CSDN通过智能技术生成