python实现简单的单变量线性回归方法
程序员文章站
2022-05-14 14:08:56
线性回归是机器学习中的基础算法之一,属于监督学习中的回归问题,算法的关键在于如何最小化代价函数,通常使用梯度下降或者正规方程(最小二乘法),在这里对算法原理不过多赘述,建议...
线性回归是机器学习中的基础算法之一,属于监督学习中的回归问题,算法的关键在于如何最小化代价函数,通常使用梯度下降或者正规方程(最小二乘法),在这里对算法原理不过多赘述,建议看吴恩达发布在斯坦福大学上的课程进行入门学习。
这里主要使用python的sklearn实现一个简单的单变量线性回归。
sklearn对机器学习方法封装的十分好,基本使用fit,predict,score,来训练,预测,评价模型,
一个简单的事例如下:
from pandas import dataframe from pandas import dataframe import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets,linear_model x=[] y=[] with open("c:\\users\\www\\ex1data1.txt","r") as f: #读取txt文件。 for line in f: p_tmp, e_tmp = [float(i) for i in line.split(',')] x.append(p_tmp) y.append(e_tmp) #'data=np.loadtxt('ex1data1.txt',delimiter=',')
# x=data[0]
# y=data[1]
data=dataframe(x,columns={'a'}) data['b']=b x=dataframe(x) fig = plt.figure() ax1 = fig.add_subplot(1,1,1) plt.scatter(data['a'],data['b']) #显示x,y的散点图 def linear_model_main(x,y,predict_value): #定义一个使用线性回归的函数 regr=linear_model.linearregression() regr.fit(x,y) #训练模型 predict_output=regr.predict(predict_value) #预测 predictions={} #用一个集合装以下元素 predictions['intercept']=regr.intercept_ #截距 predictions['codfficient']=regr.coef_ #斜率(参数) predictions['predict_value']=predict_output #预测值 return predictions result = linear_model_main(x,y,1500) #调用函数 print(result['predict_value']) def show_predict(x,y): regr=linear_model.linearregression() regr.fit(x,y) plt.scatter(x,y,color='blue') plt.plot(x,regr.predict(x),color='red') show_predict(x,y)
最后拟合结果如图:
以上这篇python实现简单的单变量线性回归方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。