线性回归

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

（1）导图：

 

（2）回归与分类的区别：

 

 （3）个各维数组及数组的类型，矩阵特性

Ⅰ、

Ⅱ、

 

 （4）线性回归算法公式：

　　　　　　y=w*x+b

 　　其中b为偏置，y为要预测的结果

（5）误差问题

 利用迭代算法减小误差：（理解）

 （6）线性回归算法缺点优化及策略：

　　此方法仅供了解：

　　梯度下降法：

不断迭代学习后的结果：

 　　此方法代码：

 

 

迭代100次结果：

 

 越来越接近真实值。

增加a,b后代码：

结果：

 

2.思考线性回归算法可以用来做什么？

（1）可以用线性回归算法制作的模型来预测股市走向。

（2）可以用来预测电视机的价格。

（3）可以用来分析预测汽车百公里耗油走向。

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。

答：

　　线性回归预测房价

 　　　　数据为网上爬取的房价信息：

 代码为：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
data = pd.read_csv(r'D:lianjiashujvallll.csv', encoding='utf-8')  #引入数据


X = data['房间面积']  #引入需要处理的数据属性
y = data['起价']

clf = LinearRegression()        # 构建线性回归模型
print('建立的LinearRegression模型为：', '
', clf)

#图
import matplotlib.pyplot as plt
from matplotlib import rcParams
rcParams['font.sans-serif'] = 'SimHei'  #绘图可显示中文
fig = plt.figure(figsize=(10,6))

f1 = np.polyfit(X, y, 3)
print('f1 is :
', f1)
p1 = np.poly1d(f1)
print('p1 is :
', p1)
yvals=np.polyval(f1, X)

plt.scatter(X, y, color="blue", label='original values')
plt.plot(X, yvals, label='polyfit values')
plt.title('Regression analysis')
plt.show()

结果输出为：