有监督学习线性回归_linemodel.score-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_74261473/article/details/134115563

本文介绍了如何在Python中使用sklearn库进行线性回归问题的分析，包括数据获取与处理、模型创建、训练、测试，以及通过平均绝对误差和均方误差评估模型性能。最后展示了如何获取回归系数和截距并进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、目标分析（回归问题还是分类问题？）

2、获取、处理数据

3、创建线性回归模型

4、训练模型

5、模型测试

x_data = [[6000, 58], [9000, 77], [11000, 89], [15000, 54]]  # 样本特征数据
y_data = [30000, 55010, 73542, 63201]  # 样本目标数据

from sklearn.linear_model import LinearRegression  # 创建线性回归模型

linemodel = LinearRegression()  # 创建一个空的LinearRegression模型


# 训练模型
linemodel.fit(x_data, y_data)
# linemodel.fit 是指使用线性模型进行拟合操作。具体来说，它是用来训练线性回归模型的方法。
# 在训练过程中，模型会根据输入的数据和标签进行优化，以得到最佳的回归函数参数。 



# 模型测试
score = linemodel.score(x_data, y_data)  # linemodel.score是用来评估线性回归模型的拟合优度的方法。
# 它返回一个介于0和1之间的值，表示模型对目标变量的解释程度。该得分越接近1，说明模型的拟合效果越好
print(score)

from sklearn.metrics import mean_absolute_error,mean_squared_error  # 平均绝对误差（MAE）和均方误差（MSE）

# 平均绝对误差
y_pred=linemodel.predict(x_data) # 使用训练好的模型对训练数据进行预测，返回预测的结果。
mae = mean_absolute_error(y_data,y_pred)