机器学习之回归（1）线性回归

最新推荐文章于 2025-06-26 23:29:23 发布

原创最新推荐文章于 2025-06-26 23:29:23 发布 · 409 阅读

2 ·

CC 4.0 BY-SA版权

Python 专栏收录该内容

61 篇文章

订阅专栏

本文通过使用Python中的matplotlib和sklearn库进行数据可视化及线性回归模型训练，实现了一个简单的房价预测系统。该系统从文本文件中读取房屋面积与价格数据，通过线性回归找到最佳拟合直线，并绘制出数据点与预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# -*- coding: utf-8 -*-
"""
Created on Sun Apr 15 16:18:34 2018

@author: Administrator
"""

import matplotlib.pyplot as plt #pyplotlib子库提供了和matlab类似的绘图 API
import numpy as np
from sklearn import linear_model

# 读取数据集
datasets_X = [] #存储数据
datasets_Y = []
fr = open('houseprice11.txt','r')
lines = fr.readlines()
for line in lines: #一次读取整个文件
items = line.strip().split(',') #去除数据文件中的逗号
datasets_X.append(int(items[0])) #将读取的数据转换为int型，并分别写入
datasets_Y.append(int(items[1])) #datasets_X 和datasets_Y

length = len(datasets_X) #求得长度
datasets_X = np.array(datasets_X).reshape([length,1])
datasets_Y = np.array(datasets_Y) #转化为数组

#以数据datasets_X 的最大和最小值为范围，建立等差数列，方便后续画图
minX = min(datasets_X)
maxX = max(datasets_X)
X = np.arange(minX,maxX).reshape([-1,1])

linear = linear_model.LinearRegression()
linear.fit(datasets_X, datasets_Y)

# 图像中显示
plt.scatter(datasets_X, datasets_Y, color = 'red')
plt.plot(X, linear.predict(X), color = 'blue')
plt.xlabel('Area')
plt.ylabel('Price')
plt.show()
print('Coefficients:',linear.coef_) #查看回归方程的系数