5.线性回归算法

1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性

回归算法可以进行房屋价格预测、销售额预测、银行贷款额度的预测

线性回归算法基于矩阵：

 

矩阵和数组：

 

算法与真实值存在误差：

 

课堂算法部分截图：

 

2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）

根据现有的天气变化数据，进行未来天气的预测。

3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）

波士顿房价训练：

from sklearn.linear_model import LinearRegression
from sklearn.linear_model.stochastic_gradient import SGDRegressor
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error


def myliner():
    # 获取boston房价数据
    boston = load_boston()
    # 获取特征值目标值数据
    x = boston.data
    y = boston.target

    # 分割数据集
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.25)

    # 因为牵涉到乘法和平方运算（求损失函数），因此需要对特征进行标准化处理
    sd_x = StandardScaler()
    # 特征值和目标值均要进行标准化，目标值不进行标准化，求得的w权重值就会很大，因为特征值很小
    x_train = sd_x.fit_transform(x_train)
    x_test = sd_x.transform(x_test)

    sd_y = StandardScaler()
    y_train = sd_y.fit_transform(y_train.reshape(-1, 1))
    # y_test = sd_y.transform(y_test.reshape(-1, 1))

    # 梯度下降
    sgd = SGDRegressor(max_iter=5)
    sgd.fit(x_train, y_train.ravel())
    y_presgd = sgd.predict(x_test)
    print('sgd真实价格：', sd_y.inverse_transform(y_presgd))
    msesgd = mean_squared_error(y_test, sd_y.inverse_transform(y_presgd))
    print('均方误差sgd', msesgd)



if __name__ == '__main__':
    myliner()

真实值及其算法误差：