机器学习之sklearn线性回归实战

15195775117

前面学了不少枯燥的理论，现在终于可以实战一下，
做出机器学习的“Hello World”了。

1、一元线性回归



一元线性回归，就是根据散点拟合一条直线；
常规方法可以使用polyfit函数，这里用机器学习的线性模型来实现。

源代码：

import numpy as np
from sklearn import linear_model
import matplotlib.pyplot as plt

# 生成测试用的点，我们以直线y=x为基础，加上些随机数

# x坐标序列：
x=np.arange(20)

# y坐标序列：
y=x+np.random.normal(0,1,(20,))
# 这些是正态分布随机数

# x的数据结构改为sklearn线性模型支持的数据结构：

x=x.reshape(20,1)

# 训练模型：
reg=linear_model.LinearRegression()
reg.fit(x,y)

# 获得权重系数：
weights=reg.coef_
bias=reg.intercept_
weights=[float(w) for w in weights]
bias=float(bias)
weights+=[bias]

print('系数=',weights)

# 计算与x对应的拟合函数值：
y2=x*weights[0]+weights[1]

# 画原始散点：
plt.scatter(x,y)

# 画拟合直线：
plt.plot(x,y2)

plt.show()

15195775117

2、多元线性回归


模型长这样：y=w1*x1+w2*x2+w3*x3+......
w代表系数，x代表属性

from sklearn import linear_model

# 训练数据：
x=[[1,2,3],[3,0,3],[4,-1,3],[5,-2,3]]
y=[6,6,6,6]

# 训练模型：
reg=linear_model.LinearRegression()
reg.fit(x,y)

# 预测一个值：
y_pred=reg.predict([[100,-100,6]])
print('预测值=',y_pred)

# 获得系数：
weights=reg.coef_
bias=reg.intercept_
weights=[float(w) for w in weights]
bias=float(bias)
weights+=[bias]

print('系数=',weights)

# 注意：
# 设计训练数据的时候，标记值是3个属性值之和，
# 一开始，我设置y=[0,0,0,0],想要表示：
# 标记值=3个属性值之和-6，
# 但得出的系数都是0，也就是模型的函数值都是0
# 所以，训练数据还是很重要！

贫道敬孔

楼主666，追更

珮瑶瑶

小英子

我初学还是没看懂，这不是excle都能做的拟合吗？

小英子

没有看到训练train函数啊！没有所谓的迭代函数