线性回归-代码（线性回归-交叉验证）

chongwei1392

于 2018-03-16 10:36:00 发布

阅读量3.8k

点赞数

CC 4.0 BY-SA版权

文章标签：数据结构与算法 python 人工智能

原文链接：https://my.oschina.net/u/567648/blog/1635706

这篇博客展示了如何运用线性回归算法预测产品销量，并通过代码实现数据处理和模型训练。文章中包含了线性回归模型的构建过程，以及使用交叉验证来评估模型的性能。内容以Python为编程语言，探讨了数据结构与算法在人工智能预测任务中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

该代码为利用线性回归预测销量折线图

#!/usr/bin/python
# -*- coding:utf-8 -*-

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Lasso, Ridge
from sklearn.model_selection import GridSearchCV


if __name__ == "__main__":
    # pandas读入
    data = pd.read_csv('Advertising.csv')    # TV、Radio、Newspaper、Sales
    x = data[['TV', 'Radio', 'Newspaper']]
    y = data['Sales']

    x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1,train_size=0.8) # random_state表示给定一个随机种子，数字任意; train_size=0.8表示训练数据80%，默认75%，若train_size=100表示训练数据100个    
    # model = Lasso() #Lasso回归使用L1正则
    model = Ridge()#Ridge回归使用L2正则  其实需要参数alpha,表示正则项里的 lamda
    alpha_can = np.logspace(-3, 2, 10)#从10的-3次方 到10的二次方 等比数列
    np.set_printoptions(suppress=True)#numpy的输出以小数点形式输出0.001 不要类似1.000000e-0