欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

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:

python实现简单的单变量线性回归方法

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。