sklearn系列之----线性回归
2015-12-27 15:13
302 查看
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!
相关文章推荐
- Python界面设计之Label
- 【重走普及路】【递归】台阶问题
- IESG 批准 HTTP 互联网新错误代码 451
- thinkphp3.2整合支付宝手机网页支付
- Alberta family's QR code is world's largest corn maze
- struct和Union的区别
- Nim Game,一个有趣的游戏,也是一道入门算法题。
- ThinkPHP 自动验证及验证规则详解
- OpenGL渲染流程
- 在老男孩教育学习的三个月
- 一个简单的PDF文件结构的分析
- LeetCode 055 Jump Game
- pyhton 正则表达式学习
- JAVA异常处理
- 为支持ASP.NET5跨平台,Jexus再添新举措
- 《Spring Boot Cook Book》阅读笔记
- ServerSAN 与传统SAN
- 对软件开发核心目的的思考
- 降低首屏时间,“直出”是个什么概念?
- onload 事件