26、回归分析：预测连续目标变量的综合指南

回归分析：预测连续目标变量的综合指南

1. 回归分析基础

在回归分析中，我们旨在预测连续的目标变量。通过执行以下代码打印模型的斜率和截距时，线性回归线会与之前未使用 RANSAC 时得到的拟合结果略有不同：

print('Slope: %.3f' % ransac.estimator_.coef_[0])
print('Intercept: %.3f' % ransac.estimator_.intercept_)

使用 RANSAC 减少了数据集中离群值的潜在影响，但我们不确定这种方法对未见过的数据的预测性能是否有积极影响。因此，接下来我们将探讨评估回归模型的不同方法，这是构建预测建模系统的关键部分。

1.1 线性回归模型性能评估

在之前的学习中，我们学会了在训练数据上拟合回归模型。然而，为了更公正地评估模型的泛化性能，需要在训练过程中未见过的数据上进行测试。我们将数据集划分为训练集和测试集，使用训练集拟合模型，测试集评估模型在未见过数据上的性能。

from sklearn.model_selection import train_test_split
X = df.iloc[:, :-1].values
y = df['MEDV'].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
slr = LinearRegression()
s