python怎么实现简单的单变量线性回归方法-创新互联
这篇文章主要介绍了python怎么实现简单的单变量线性回归方法,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。
创新互联建站不只是一家网站建设的网络公司;我们对营销、技术、服务都有自己独特见解,公司采取“创意+综合+营销”一体化的方式为您提供更专业的服务!我们经历的每一步也许不一定是最完美的,但每一步都有值得深思的意义。我们珍视每一份信任,关注我们的网站制作、成都网站制作质量和服务品质,在得到用户满意的同时,也能得到同行业的专业认可,能够为行业创新发展助力。未来将继续专注于技术创新,服务升级,满足企业一站式营销型网站需求,让再小的品牌网站制作也能产生价值!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:
感谢你能够认真阅读完这篇文章,希望小编分享的“python怎么实现简单的单变量线性回归方法”这篇文章对大家有帮助,同时也希望大家多多支持创新互联,关注创新互联行业资讯频道,更多相关知识等着你来学习!
当前标题:python怎么实现简单的单变量线性回归方法-创新互联
路径分享:http://scyanting.com/article/djhoco.html