线性回归基础代码

最新推荐文章于 2025-05-08 08:27:50 发布

原创

最新推荐文章于 2025-05-08 08:27:50 发布 · 347 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了线性回归的基础知识，并通过实例代码展示了如何利用数据集pga.csv进行线性回归分析，涵盖了数据导入、模型训练及预测等步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# Use linear model to model this data.
from sklearn.linear_model import LinearRegression
import numpy as np
lr=LinearRegression()
lr.fit(pga.distance[:,np.newaxis],pga['accuracy']) # Another way is using pga[['distance']]
theta0=lr.intercept_
theta1=lr.coef_
print(theta0)
print(theta1)
#calculating cost-function for each theta1
#计算平均累积误差
def cost(x,y,theta0,theta1):
 J=0
 for i in range(len(x)):
 mse=(x[i]*theta1+theta0-y[i])**2
 J+=mse
 return J/(2*len(x))
theta0=100
theta1s = np.linspace(-3,2,197)
costs=[]
for theta1 in theta1s:
 costs.append(cost(pga['distance'],pga['accuracy'],theta0,theta1))
plt.plot(theta1s,costs)
plt.show()
print(pga.distance)
#调整theta
def partial_cost_theta0(x,y,theta0,theta1):
 #我们的模型是线性拟合函数时：y=theta1*x + theta0，而不是sigmoid函数，当非线性时我们可以用sigmoid
 #直接多整个x series操作，省的一个一个计算，最终求sum 再平均
 h=theta1*x+theta0 
 diff=(h-y)
 partial=diff.sum()/len(diff)
 return partial
partial0=partial_cost_theta0(pga.distance,pga.accuracy,1,1)
def partial_cost_theta1(x,y,theta0