机器学习算法03——线性回归算法实战

11 篇文章 5 订阅
9 篇文章 0 订阅

摘要:本文主要介绍线性回归算法的定义,公式,回归实战。

1.线性回归定义

用来对连续性数据进行预测,来确定两种或者两种以上变量间的相互关系。

换句话说,它是一种用于数据拟合的工具,从许多数据中找到一条直线能够拟合含大部分数据,从而可以根据输入的值预测输出的值。

线性是指拟合的数据是呈线性的,而回归是指可根据以前的数据预测出一个准确的输出。

2.公式

一般式:

在这里插入图片描述

向量式:

在这里插入图片描述

3.线性回归预测波士顿房价

1.训练模型和预测结果

import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler

boston = load_boston()

X = boston.data
y = boston.target

train_X,test_X,train_y,test_y = train_test_split(X,y,test_size=0.2,random_state=0)

#数据标准化处理  结果比没有处理的模型效果差
# stand = StandardScaler()
# train_X = stand.fit_transform(train_X)
# test_X = stand.fit_transform(test_X)

lr = LinearRegression()
lr.fit(train_X,train_y)
result = lr.predict(test_X)

2.模型性能

#模型性能   0.6左右 比较差
from sklearn.metrics import r2_score
ls_sc = r2_score(test_y,result)
print(ls_sc)

3.可视化数据,这里显示实际值和预测值的比较折线图。

import matplotlib
import matplotlib.pyplot as plt

#绘图
#设置画布大小
plt.figure(figsize=(10,10))
plt.plot(test_y,label='true')
plt.plot(result,label='predict')
plt.legend()
plt.show()

在这里插入图片描述
4.可视化数据,使用x的一个维度,第一张图取0,第二张图取1,0和1分别代表不同的特征;来显示预测结果;红色的data是训练集结果,蓝色的true是预测数据真实值,绿色五角星是模型预测值;这里主要关注蓝色和绿色的符合程度,符合度高,模型效果越好。
在这里插入图片描述

在这里插入图片描述

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yue200403

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值