机器学习第1天:线性回归(代码篇)
时间:2022-07-22
本文章向大家介绍机器学习第1天:线性回归(代码篇),主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
一、具体实现步骤
1. 导入Iris鸢尾花数据集
Iris鸢尾花数据集共有150条记录,分别是:
- 50条山鸢尾 (Iris-setosa)
- 50条变色鸢尾(Iris-versicolor)
- 50条维吉尼亚鸢尾(Iris-virginica)
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['花萼-length', '花萼-width', '花瓣-length', '花瓣-width', 'class']
dataset = pd.read_csv(url, names=names)
2. 提取花瓣数据
下面我们提取数据集中花瓣宽度
与花瓣长度
数据,将花瓣数据分为训练数据
与测试数据
,训练数据用于训练线性回归模型,测试数据用于检测我们的模型的准确率。
最终我们要达到的效果是:输入花瓣宽度,通过模型预测花瓣宽度。
X = dataset["花瓣-length"]
Y = dataset["花瓣-width"]
X = X.reshape(len(X),1)
Y = Y.reshape(len(Y),1)
3. 拆分数据
将数据集拆分数据集成训练集、测试集
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
4. 训练模型
这里我们需要将我们的训练数据喂给模型进行训练。
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)
二、可视化结果展示
1. 训练集
将训练集中每一朵花的花瓣数据与线性回归模型预测的结果放到同一张统计图中。
import matplotlib.pyplot as plt
plt.scatter(X_train, Y_train, color='red')
plt.plot(X_train, regressor.predict(X_train), color='green')
plt.xlabel("Iris-length")
plt.ylabel("Iris-width")
plt.title("This is train dataset-kzb")
plt.show()
红色的点是训练数据集中的花瓣数据,我们不难看出花瓣长度与宽度是一个线性关系,绿色的线是我们模型拟合的结果。
2. 测试集
将测试集中每一朵花的花瓣数据与线性回归模型预测的结果放到同一张统计图中。
plt.scatter(X_test, Y_test, color='blue')
plt.plot(X_train, regressor.predict(X_train), color='green')
plt.xlabel("Iris-length")
plt.ylabel("Iris-width")
plt.title("This is test dataset-kzb")
plt.show()
绿色的点是测试数据集中的花瓣数据,我们可以看出这部分数据也是符合线性关系的,随着集的增大,线性关系会更加明显。
三、相关知识点讲解
1. train_test_split()函数
train_test_split()
:将数据集划分为测试集与训练集。
-
X
:所要划分的整体数据的特征集; -
Y
:所要划分的整体数据的结果; -
test_size
:测试集数据量在整体数据量中的占比(可以理解为X_test与X的比值); -
random_state
:①若不填或者填0,每次生成的数据都是随机,可能不一样。②若为整数,每次生成的数据都相同;
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
2. LinearRegression()函数
sklearn.linear_model包实现了广义线性模型,包括线性回归、Ridge回归、Bayesian回归等。LinearRegression
是其中较为简单的线性回归模型。
解释一下什么是回归:回归最简单的定义是,给出一个点集D,用一个函数去拟合这个点集,并且使得点集与拟合函数间的误差最小,如果这个函数曲线是一条直线,那就被称为线性回归,如果曲线是一条二次曲线,就被称为二次回归。
3. 散点图与折线统计图的绘制
plt.scatter()
:绘画出数据的散点图
plt.plot()
:绘画出依据模型(LinearRegression的线性回归模型)生成的直线
更详细的介绍可以参考:【Matplotlib可视化系列教程】
- 巧用echo命令解决Samba批量添加用户难题
- 分分钟搭建MySQL Group Replication测试环境(r11笔记第82天)
- MySQL 5.7 Group Replication错误总结(r11笔记第84天)
- 空结构体struct{}解析
- 动态创建MySQL Group Replication的节点(r11笔记第84天)
- sysbench压测小记(r11笔记第99天)
- WordPress启用memcached动态缓存以及报错解决
- 升级CentOS6.5内核,开启Nginx的fastopen和reuseport特性
- Nginx网站使用CDN之后禁止用户真实IP访问的方法
- 相差数十倍的SQL性能分析(r11笔记第98天)
- shell脚本实现整站缓存和预缓存,进一步提升网站整体加载速度
- Oracle中的PGA监控报警分析(r11笔记第96天)
- MySQL错误修复记录:Table xx is marked as crashed and should be repaired
- WordPress百度自动推送JS优化,规避错误、重复推送问题
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- 数据结构:用实例分析ArrayList与LinkedList的读写性能
- vue-element-admin上传图片的功能
- Oracle数据误删恢复
- 用斗地主的实例学会使用java Collections工具类
- Command PhaseScriptExecution failed with a nonzero exit code问题解决
- Effective Java中构建器Builder的理解
- Java的位运算符详解实例。
- 用一个测试类简化排序算法时间复杂度的研究
- R语言之可视化(33)绘制差异基因分析统计图
- Java transient不被持久化的原因
- 举一个有趣的例子,让你轻松搞懂JVM内存管理
- gulp的使用
- SpringBoot中 使用[info]日志级别打印mybatis sql语句
- Spring Boot 使用策略模式指定Service实现类
- 55. Vue webpack的基本使用