机器学习-回归算法

最新推荐文章于 2024-11-07 19:25:06 发布

原创

最新推荐文章于 2024-11-07 19:25:06 发布 · 609 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了回归算法在机器学习中的应用，以普通最小二乘法线性回归为例，展示了如何使用Python进行数据预处理、模型训练、效果评估，并通过实例计算预测值。内容包括读取数据、提取特征、划分训练测试集、模型训练及结果可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

回归算法：是一种有监督的算法。
回归算法是一种比较常用的机器学习算法，用来表示自变量X和因变量Y之间的关系。从机器学习的角度，构建一个算法模型来做属性X与标签Y之间的映射关系。

普通最小二乘法线性回归案例

import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

#设置字符集，防止中文乱码
mpl.rcParams[‘font.sans-serif’] = [u’simHei’]
mpl.rcParams[‘axes.unicode_minus’] = False

#加载数据
path = ‘./datas/household_power_consumption_1000.txt’
df = pd.read_csv(path,sep=’;’)
print(df.head())
#获取功率值作为特征属性X，电流作为目标属性Y
X = df.iloc[:,2:4] # 获取功率值：行和列
print(X.head())
Y = df.iloc[:,5] # 获取电流值
#print(Y)

#获取训练数据和测试数据
n = int(X.shape[0] * 0.8)
train_x = np.array(X[:n])
test_x = np.array(X[n:])
train_y = np.array(Y[:n])
test_y = np.array(Y[n:])
print(“总样本的数量：{}，训练样本的数量：{}，测试样本的数量：{}”.format(X.shape,train_x.shape,test_x.shape))

#训练模型
a. 训练数据转换为矩阵的形式
x = np.mat(train_x) # 将x转换成一个