sklearn系列之----线性回归
sklearn系列之----线性回归
GavinZhou
发布于 2018-01-02 15:35:34
发布于 2018-01-02 15:35:34
原理
线性回归，原理很简单，就是拟合一条直线使得损失最小，损失可以有很多种，比如平方和最小等等；
y是输出，x是输入，输出是输入的一个线性组合。
系数矩阵就是coef，截距就是intercept；
例子：
我们的输入和输出是numpy的ndarray，输入是类似于列向量的，输出类似于行向量，看它们各自的shape就是： 输出：y.shape ——>(1,) 输入：x.shape——->(m,1) #m是一个数字 大家记得不要把形式弄错啦，不然可就走不起来了；
下面是个最简单的例子：
>>> from sklearn import linear_model #导入线性模型
>>> clf = linear_model.LinearRegression() #使用线性回归
>>> clf.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2]) #对输入和输出进行一次fit，训练出一个模型
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)
>>> clf.coef_ #系数矩阵
array([ 0.5, 0.5])稍微复杂点的例子：
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
# 读取自带的diabete数据集
diabetes = datasets.load_diabetes()
# 使用其中的一个feature
diabetes_X = diabetes.data[:, np.newaxis, 2]
# 将数据集分割成training set和test set
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]
# 将目标（y值）分割成training set和test set
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]
# 使用线性回归
regr = linear_model.LinearRegression()
# 进行training set和test set的fit，即是训练的过程
regr.fit(diabetes_X_train, diabetes_y_train)
# 打印出相关系数和截距等信息
print('Coefficients: \n', regr.coef_)
# The mean square error
print("Residual sum of squares: %.2f"
% np.mean((regr.predict(diabetes_X_test) - diabetes_y_test) ** 2))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % regr.score(diabetes_X_test, diabetes_y_test))
# 使用pyplot画图
plt.scatter(diabetes_X_test, diabetes_y_test, color='black')
plt.plot(diabetes_X_test, regr.predict(diabetes_X_test), color='blue',
linewidth=3)
plt.xticks(())
plt.yticks(())
plt.show()可以看出，使用还是很简单的，就是准备好数据集：
regr = linear_model.LinearRegression() #使用线性回归
regr.fit(diabetes_X_train, diabetes_y_train) #训练获得一个model
regr.predict(diabetes_X_test) # 预测
regr.score(diabetes_X_test, diabetes_y_test) # 获取模型的score值OK，就到这，下次继续！
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2015-12-27 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录