回歸是一種有監(jiān)督的學(xué)習(xí)方式，需要根據(jù)歷史數(shù)據(jù)對(duì)未知數(shù)據(jù)做出預(yù)測(cè)。

在此，以房屋面積預(yù)測(cè)房屋價(jià)格為例：

首先，讀入數(shù)據(jù)：

代碼如下：

import pandas as pd

import numpy as np

from io import StringIO

from sklearn import linear_model

import matplotlib.pyplot as plt

# 房屋面積與價(jià)格歷史數(shù)據(jù)(csv文件)

csv_data = 'square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n'

# 讀入dataframe

df=pd.read_csv(StringIO(csv_data))

# print(df)

其次，建立線性回歸模型，并對(duì)數(shù)據(jù)進(jìn)行擬合，代碼如下：

# 建立線性回歸模型

regr=linear_model.LinearRegression()

# 擬合

regr.fit(df['square_feet'].values.reshape(-1, 1), df['price'])

# 用values方法將Series對(duì)象轉(zhuǎn)化成numpy的ndarray，再用ndarray的reshape方法。

# 注意此處.reshape(-1, 1)，因?yàn)閄是一維的！

得到模型的截距和斜率：

# 直線的截距，斜率

a,b=regr.coef_,regr.intercept_

兩種方式進(jìn)行預(yù)測(cè)：

第一種方式是根據(jù)得到的模型直接進(jìn)行的計(jì)算，第二種方式是根據(jù)回歸模型的預(yù)測(cè)方法Predict進(jìn)行的預(yù)測(cè)，通過運(yùn)行代碼可知兩種方法得到的結(jié)果一致。

# 給出待預(yù)測(cè)面積

area=238.5

# 方式1：根據(jù)直線方程計(jì)算的價(jià)格

print(a*area+b)

# 方式2：根據(jù)predict方法預(yù)測(cè)的價(jià)格

print(regr.predict(area))

繪圖，分別繪制散點(diǎn)圖和擬合的直線：

# 畫圖

# 1.真實(shí)的點(diǎn)(繪制的散點(diǎn)圖)

plt.scatter(df['square_feet'],df['price'],color='blue')

# 2.擬合的直線

plt.plot(df['square_feet'],regr.predict(df['square_feet'].values.reshape(-1,1)),color='red',linewidth=4)

plt.show()

至此，一元線性回歸模型就創(chuàng)建完成了！

對(duì)于模型的學(xué)習(xí)，建議大家在了解了算法的原理之后要?jiǎng)邮謱?shí)戰(zhàn)，畢竟機(jī)器學(xué)習(xí)或者數(shù)據(jù)挖掘重在實(shí)戰(zhàn)，我們最終是要做出模型來進(jìn)行決策的。多動(dòng)手，你會(huì)發(fā)現(xiàn)原本枯燥的原理、算法會(huì)變得清晰，自己也會(huì)更加感興趣！

總結(jié)

以上是生活随笔為你收集整理的python 进行一元线性回归并输出相关结果_Python实现一元线性回归实战的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。