sklearn实现一元线性回归 【Python机器学习系列（五）】

sklearn实现一元线性回归 【Python机器学习系列（五）】

文章目录

大家好，我是侯小啾！

本期blog分享的内容是通过sklearn库实现一元线性回归。相比上篇blog中介绍的梯度下降法中较为复杂的代码，使用sklearn后将使代码复杂度大大降低。希望本文能对您有所帮助！

      ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ

    ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ

1.获取数据

首先请自行准备数据，这路以

data.csv

为例，数据只需满足能提取出两列，一列为解释变量x，一列为被解释变量y即可。

导入相关库，读取数据，提取数据，并绘制出散点图，大致查看一下数据的分布情况。

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

data = np.loadtxt("data.csv", delimiter=",")# 构建特征x：第0列   一维变为二维-->np.newaxis
x_data = data[:,0, np.newaxis]# 构建目标y：第1列
y_data = data[:,1]

plt.scatter(x_data, y_data, color="maroon", marker="x")
plt.show()

绘制出散点图如图所示：

2.线性回归模型

创建并训练线性回归模型，然后实现预测功能，并绘制出线性拟合图。

# 创建拟合模型
model = LinearRegression()# 训练模型
model.fit(x_data,y_data)# 预测print(model.predict([[80]]))# 绘制散点图(x,y)
plt.scatter(x_data, y_data, color="maroon",marker="x")# 绘制直线(x,y^)
plt.plot(x_data, model.predict(x_data),"gray")
plt.show()

拟合结果如下图：

本次分享就到这里，小啾感谢您的关注与支持！
🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ