线回与非线回---sklearn-一元线性回归

前言：

使用sklearn库会比自己写函数要简单，而且不容易报bug，只是参数较多，需要在使用过程中进行体会。

正文:

from sklearn.linear_model import LinearRegression
#这个数据库是sklearn其中之一，可以使用线性回归的相关的函数
import numpy as np
import matplotlib.pyplot as plt 
#上面两个基本库，每次都用

#载入数据
data = np.genfromtxt("data.csv",delimiter=',')
x_data=data[:,0]
y_data=data[:,1]
#前三步还是分割数据，当然也要取决于你的数据是怎么划分的，通常用逗号来分割
plt.scatter(x_data,y_data)
plt.show()
#画图并展示
print(x_data.shape)
#shape函数可以了解你这个元素格式是什么
#我这个x_data的格式就是一个100行1列的矩阵

图片展示如下：

#下面两步是在给x_data和y_data增加维度
#因为使用了sklearn库的lineargression
#所以带入的x和y数据有要求，必须增加维度
#如果不用用newaxis函数来增加维度，就会报错
#如果自己手写函数，就没有数据类型的要求
x_data = data[:,0,np.newaxis]
y_data = data[:,1,np.newaxis]
#创建模型
model = LinearRegression()
#给你的模型带入正确格式的数据
#fit函数有多个参数，需要调整的时候
#在网上输入fit即可找到
model.fit(x_data,y_data)

#画图，颜色有很多都是首字母的缩写
#给首字母后面加个.,表示你要画的是点
#什么都不加画出来的就是线
plt.plot(x_data,y_data,'b.')
#使用predict函数来预测y值
plt.plot(x_data,model.predict(x_data),'r')
plt.show()

图片展示如下：

总结：

可以看出使用sklearn库来解决一元回归问题还是相当方便的！