版权声明：本文为博主原创文章，未经博主允许欢迎转载，但请注明出处。 https://blog.csdn.net/liumiaocn/article/details/82924276

这篇文章将对Iris数据集中的线性关系挖掘进行准备，Iris数据集包含四个维度，两两结合，将会形成12种不同的组合。这里使用前文整理的共通功能直接进行确认

Iris数据集

每条数据都从鸢尾花的如下四个特征进行描述

特征	说明	数据下标
Sepal.Length	花萼长度	0
Sepal.Width	花萼宽度	1
Petal.Length	花瓣长度	1
Petal.Width	花瓣宽度	3

组合

	花萼长度	花萼宽度	花瓣长度	花瓣宽度
花萼长度	-	组合1	组合2	组合3
花萼宽度	组合7	-	组合4	组合5
花瓣长度	组合8	组合9	-	组合6
花瓣宽度	组合10	组合11	组合12	-

组合1 ：花萼长度 x 花萼宽度

数据加载方式：

model = LinearModel()
model.load(0,1)

结果确认

组合2 ：花萼长度 x 花瓣长度

数据加载方式：

model = LinearModel()
model.load(0,2)

结果确认

组合3 ：花萼长度 x 花瓣宽度

数据加载方式：

model = LinearModel()
model.load(0,3)

结果确认

组合4 ：花萼宽度 x 花瓣长度

数据加载方式：

model = LinearModel()
model.load(1,2)

结果确认

组合5 ：花萼宽度 x 花瓣宽度

数据加载方式：

model = LinearModel()
model.load(1,3)

结果确认

组合6 ：花瓣长度 x 花瓣宽度

数据加载方式：

model = LinearModel()
model.load(2,3)

结果确认

总结

可以直观地看出花瓣的长度与宽度之间的线性关系的拟合效果最好，另外也可以根据值与期待值的接近程度的均值来进行判断。从数据进行分析，通过计算来判断数据不同维度之间是否存在线性关系，就可以使用本文类似的方法对实际的数据进行分析。

阅读更多