机器学习代码笔记2简单线性回归

 

简单线性回归¶

 

简单线性回归代码¶

 

Step 1： 数据预处理¶

In [ ]:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

dataset = pd.read_csv('data/studentscores.csv')
X = dataset.iloc[ : ,   : 1 ].values
Y = dataset.iloc[ : , 1 ].values

from sklearn.model_selection import train_test_split

X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)

 

Step 2: 使用简单线性回归模型拟合数据集¶

In [ ]:

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

 

Step 3: 预测结果¶

In [ ]:

Y_pred = regressor.predict(X_test)

 

Step 4：可视化¶

 

可视化训练结果¶

In [ ]:

plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')

Out[ ]:

[<matplotlib.lines.Line2D at 0x7fdfcee72f50>]

 

 

可视化预测结果¶

In [ ]:

plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')

Out[ ]:

[<matplotlib.lines.Line2D at 0x7fdfcef9d710>]

 

 

简单线性回归介绍与总结¶

 

1. 在统计学中，线性回归是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。当因变量和自变量之间高度相关时，我们就可以使用线性回归来对数据进行预测。
2. 线性回归模型，是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。 其表达形式为 $y = w' x + e$，e为误差服从均值为0的正态分布。线性回归模型是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。

 

 

参考¶

100-Days-Of-ML-Code