文章目錄

• 一、概念
• • 1. 什么是回歸
  • 2. 什么是線性
  • 3. 什么是線性回歸
• 二、具體實現步驟
• • 第1步：數據預處理
  • 第2步：使用簡單線性回歸模型來訓練訓練集
  • 第3步：預測結果
  • 第4步：可視化
  • • 訓練集結果可視化
    • 測試集結果可視化
• 三、可視化結果展示
• • 訓練集結果可視化結果
  • 測試集結果可視化結果
• 四、知識點詳解
• • 1. 關于LinearRegression()
  • 2. 關于數據可視化

一、概念

1. 什么是回歸

回歸的目的是為了預測，比如在【待補充】這篇文章中通過花瓣長度預測花瓣寬度

回歸之所以能預測是因為它通過大量的花瓣長度與寬度數據，“弄懂了”花瓣長度與寬度之間的線性關系，在這個基礎之上就可以通過花瓣長度預測花瓣寬度了。

2. 什么是線性

線性就是關系可以用線性方程來表示，通過一個或多個變量來表示另外一個變量。

通俗的說符合“越…，越…”這種說法的可能就是線性關系，比如

• “房子”越大，“租金”就越高
• “漢堡”買的越多，花的“錢”就越多
• 杯子里的“水”越多，“重量”就越大

但是也并非所有“越…，越…”都是線性的，比如“彈簧的彈力與位移的關系”，

3. 什么是線性回歸

通過兩個或多個變量之間的線性關系來預測結果。

通過鳶尾花的花瓣長度與寬度的線性關系來預測花瓣寬度，通過杯子里水的體積就可以知道（預測）水的重量

二、具體實現步驟

第1步：數據預處理

import pandas as pd import numpy as np import matplotlib.pyplot as pltdataset = pd.read_csv('studentscores.csv') X = dataset.iloc[ : , :1].values Y = dataset.iloc[ : ,1].valuesfrom sklearn.model_selection import train_test_split X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=1/4, random_state=0)

第2步：使用簡單線性回歸模型來訓練訓練集

from sklearn.linear_model import LinearRegression regressor = LinearRegression() regressor = regressor.fit(X_train, Y_train)

第3步：預測結果

Y_pred = regressor.predict(X_test)

第4步：可視化

訓練集結果可視化

plt.scatter(X_train, Y_train, color='red') plt.plot(X_train, regressor.predict(X_train), color='blue') plt.show()

測試集結果可視化

plt.scatter(X_test, Y_test, color='red') plt.plot(X_test, regressor.predict(X_test), color='blue') plt.show()

三、可視化結果展示

訓練集結果可視化結果

測試集結果可視化結果

四、知識點詳解

1. 關于LinearRegression()

sklearn.linear_model包實現了廣義線性模型，包括線性回歸、Ridge回歸、Bayesian回歸等。LinearRegression是其中較為簡單的線性回歸模型。

解釋一下什么是回歸：回歸最簡單的定義是，給出一個點集D，用一個函數去擬合這個點集，并且使得點集與擬合函數間的誤差最小，如果這個函數曲線是一條直線，那就被稱為線性回歸，如果曲線是一條二次曲線，就被稱為二次回歸。

更多關于回歸知識見：線性回歸

2. 關于數據可視化

plt.scatter()：繪畫出訓練集數據的散點圖
plt.plot()：繪畫出依據模型（LinearRegression的線性回歸模型）生成的直線

更加直觀的觀察數據集中的X、Y是否存在線性關系

關于數據可視化更多知識見：Matplotlib 簡介

你可以在下方留下你的疑惑，大家一起來看看

總結

以上是生活随笔為你收集整理的机器学习第2天：简单线性回归模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。