线性回归讲解

原创已于 2022-03-20 13:29:16 修改 · 2.6k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#线性回归 #sklearn #机器学习

于 2022-03-12 09:14:48 首次发布

这篇博客介绍了如何利用Python的matplotlib、numpy、pandas和sklearn库来实现线性回归模型，并进行数据可视化。首先，导入所需库，然后自定义x轴和y轴值，接着定义训练模型和预测值的函数。通过`LinearRegression`实例化模型，对数据进行训练，并计算预测值。此外，还提供了一个函数用于绘制线性回归线。最后，展示了如何输出模型的截距、系数和预测值，并绘制了散点图及回归线。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实现线性回归需要用到matplotlib、numpy、pandas和sklearn，matplotlib用于二维作图，numpy、pandas用于对数据的处理，sklearn为机器学习算法模块。

导入模块

自定义x轴和y轴值

定义一个函数，对模型进行训练并计算预测值

def linear_model_main(X_parameters,Y_parameters,predict_value):
    regr = linear_model.LinearRegression()  #实例化一个线性回归模型
    regr.fit(X_parameters, Y_parameters)   #对于自定义值进行训练，训练成功之后会保存
    predict_outcome=regr.predict(predict_value)  #对值预测
    predictions={}
    predictions ['intercept'] = regr.intercept_    #将截距放入predictions
    predictions['coefficient'] = regr.coef_     #将常数值放入predictions
    predictions['predicted_value'] = predict_outcome     #将预测值放入predictions
    return predictions

定义一个函数，主要用于可视化表达

def show_linear_line(X_parameters,Y_parameters):       
    regr = linear_model.LinearRegression()    
    regr.fit(X_parameters, Y_parameters)    
    plt.scatter(X_parameters,Y_parameters,color='blue')  #创建散点图
    plt.plot(X_parameters,regr.predict(X_parameters),color='red',linewidth=4) 创建折线图
    plt.xticks(())    #简单理解为对x轴坐标的设置
    plt.yticks(())    
    plt.show()  #作图

下面设置预测值，运行函数体

predict_value=900
result = linear_model_main(x,y,predict_value) 
print ("截距值：", result['intercept'])   
print ("常数值：", result['coefficient'])   
print ("预测值: ", result['predicted_value']) 
show_linear_line(x,y)

成果