前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >python线性回归算法「建议收藏」

python线性回归算法「建议收藏」

作者头像
全栈程序员站长
发布2022-09-24 14:05:29
6490
发布2022-09-24 14:05:29
举报

大家好,又见面了,我是你们的朋友全栈君。

1. 线性回归算法

在这里插入图片描述
在这里插入图片描述

2. 在Python中实现线性回归

那我们如何在Python中实现呢? 利⽤Python强⼤的数据分析⼯具来处理数据。 Numpy提供了数组功能,以及对数据进⾏快速处理的函数。Numpy还是很多⾼级扩展库的依赖,⽐如Pandas,Scikit_Learn等都依赖于它。 Scikit_Learn扩展库,这是⼀个机器学习相关的库。它提供了完善的机器学习⼯具箱,包括数据预处理、分类、回归、预测等。

2.1 安装sklearn⼯具

  1. 本⾸先进⼊到虚拟环境
代码语言:javascript
复制
cd ~/Desktop/env_space
source flask_env/bin/activate
  1. 使⽤pip⼯具安装flask
代码语言:javascript
复制
pip install scikit-learn==0.19.2
pip install numpy==1.16.3
pip install pandas==0.24.2
pip install scipy==1.2.1
pip install sklearn

2.2 sklearn的使⽤⽅式

  1. 导⼊线性回归模型,建⽴线性回归模型
代码语言:javascript
复制
from sklearn.linear_model import LinearRegression # 导⼊线性回归模型
regr = LinearRegression() # 建⽴线性回归模型
  1. 线性回归模型提供的接⼝:
  2. regr.fit(X, Y) : 训练模型 ,可以理解为求出预测回归线
  3. regr.predict(X_new) : 预测新样本

3. 示例使⽤

在这里插入图片描述
在这里插入图片描述

⽐如我们获取到的 时间 和 房屋单价 的数据如下: X = [[1], [2], [3], [4], [6], [7], [9]] # 时间 Y = [6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0] # 房屋单价 根据获取时间和房屋单价,预测未来时间的房屋单价

代码语言:javascript
复制
from sklearn.linear_model import LinearRegression # 导⼊线性回归模型
# 线性回归进⾏预测
def linear_model_main(X_parameters, Y_parameters, predict_value):
regr = LinearRegression() # 建⽴线性回归模型
regr.fit(X_parameters, Y_parameters) # 训练模型
predict_outcome = regr.predict(predict_value) # 预测新样本
return predict_outcome # 返回预测值
if __name__ == '__main__':
# 数据源 x是序号 y是值 预测y的过去和未来的值
X = [[1], [2], [3], [4], [6], [7], [9]]
Y = [6450.0, 7450.0, 8450.0, 9450.0, 11450.0, 15450.0, 18450.0]
predictvalue = 3
result = linear_model_main(X, Y, predictvalue)
# 预测值
print("Predicted value: ", result)

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/171761.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 线性回归算法
  • 2. 在Python中实现线性回归
    • 2.1 安装sklearn⼯具
      • 2.2 sklearn的使⽤⽅式
      • 3. 示例使⽤
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档