机器学习（三）：线性回归实战

在python中，有一个三方库，叫Scikit-learn，简称sklearn，是一个机器学习算法库，包含了常用的机器学习算法，如回归、分类、聚类、支持向量机、随机森林等。在做机器学习的时候，可以直接调用它的API。

官方网站：https://scikit-learn.org/stable/

安装方式：
pip install scikit-learn

这一节我们使用sklearn来实现线性回归算法

实现流程

首先是从库里导出线性模型

from sklearn import linear_model

然后再进行训练

need_model = linear_model.LinearRegression() #使用线性回归算法建立模型
need_model.fit(x,y) #喂入训练数据

最后就是进行预测

need_model.predict(x_)

实战案例

1，准备数据

#准备自变量x，生成数据集，3到6的区间均分间隔30份数
x = np.linspace(3,6,40)

#准备因变量y，这一个关于x的假设函数
y = 3 * x + 2

# 添加代码，扰乱点的分布
x = x + np.random.rand(40)

2，实现算法

#使用matplotlib绘制图像，使用numpy准备数据集
import  matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model

#准备自变量x，生成数据集，3到6的区间均分间隔30份数
x = np.linspace(3,6,40)

#准备因变量y，这一个关于x的假设函数
y = 3 * x + 2

# 添加代码，扰乱点的分布
x = x + np.random.rand(40)

#由于fit 需要传入二维矩阵数据，因此需要处理x，y的数据格式,将每个样本信息单独作为矩阵的一行
x=[[i] for i in x]
y=[[i] for i in y]

# 构建线性回归模型
model=linear_model.LinearRegression()

# 训练模型，"喂入"数据
model.fit(x,y)

# 准备测试数据 x_，这里准备了三组，如下：
x_=[[4],[5],[6]]

# 打印预测结果
y_=model.predict(x_)
print(y_)

#查看w和b的
print("w值为:",model.coef_)
print("b截距值为:",model.intercept_)

#数据集绘制,散点图，图像满足函假设函数图像
plt.scatter(x,y)
plt.show()

得出结果如下：

散点分布

终端输出为：