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
线性回归的应用以及它的代码实现：
线性回归的原理：
数组和矩阵的重要特性：
对于权重的求解：
梯度下降算法原理：
梯度下降的代码实现：
import random import time import matplotlib.pyplot as plt _xs = [0.1*x for x in range(0, 10)] # 自己造一些数据 _ys = [12*i+4 for i in _xs] print(_xs) print(_ys) # 实现梯度下降 w = random.random() b = random.random() a1 = [] b1 = [] for i in range(100): for x, y in zip(_xs, _ys): o = w*x + b # 预测值 e = (o-y) # 计算误差 loss = e**2 # 计算损失 # 求导 dw = 2*e*x db = 2*e*1 # 梯度下降 w = w - 0.1*dw b = b - 0.1*db print('loss={0},w={1},b={2}'.format(loss, w, b)) a1.append(i) b1.append(loss) plt.plot(a1, b1) plt.pause(0.1) plt.show()
梯度下降的运行结果：
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）
线性回归可以用于：
（1）音乐流行趋势预测
（2）电影票房预估
（3）学生成绩排名预测
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）
答：广告销量预测将来的投入和收益之间的关系。
Advertising数据集是关于广告收益与广告在不同的媒体上投放的相关数据，分别是在TV，Radio，Newspaper三种媒体上投放花费与，投放所产生的收益的数据。
（1）查看Advertising数据集：
（2）线性回归实现广告销量预测
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import matplotlib as mpl
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
# 读取数据
data = pd.read_csv('advertising.csv', index_col=0)
#data1 = data[data['TV'].notna()] # 把有空值的一行去掉
x = data1.iloc[:, :3] # 自变量
y = data1.iloc[:, 3] # 因变量
mpl.rcParams['font.sans-serif'] = ['simHei']
mpl.rcParams['axes.unicode_minus'] = False
# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)
model = LinearRegression() # 构建模型
model.fit(x_train, y_train) # 训练模型
# 查看模型参数
model.coef_ # 输出模型的权值
model.intercept_ # 截距
# 将自变量与对应系数进行打包
feature = ['TV', 'Radio', 'Newspaper']
a = zip(feature, model.coef_)
for i in a:
print(i)
pre = model.predict(x_train) # 预测
r2_score(y_train, pre)
# 模型预测
y_pre = model.predict(x_test)
r2_score(y_test, y_pre)
# 数据可视化
plt.plot(range(len(y_pre)), y_pre, color='green', label='预测数据')
plt.plot(range(len(y_pre)), y_test, color='red', label='真实数据')
plt.legend(loc='upper right')
plt.title('线性回归预测销量', fontsize=18)
plt.show()
（3）绘制预测值与实际值曲线：
