简单回归（有笔记） python

导入基础库

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

导入数据

dataset = pd.read_csv('Salary_Data.csv')

dataset.head(5)

	YearsExperience	Salary
0	1.1	39343
1	1.3	46205
2	1.5	37731
3	2.0	43525
4	2.2	39891

设置自变量和因变量

#左闭右开
X = dataset.iloc[:, :-1].values#从开头到倒数第二列，即YearsExperience
y = dataset.iloc[:,1].values#第二列

X

array([[ 1.1],
       [ 1.3],
       [ 1.5],
       [ 2. ],
       [ 2.2],
       [ 2.9],
       [ 3. ],
       [ 3.2],
       [ 3.2],
       [ 3.7],
       [ 3.9],
       [ 4. ],
       [ 4. ],
       [ 4.1],
       [ 4.5],
       [ 4.9],
       [ 5.1],
       [ 5.3],
       [ 5.9],
       [ 6. ],
       [ 6.8],
       [ 7.1],
       [ 7.9],
       [ 8.2],
       [ 8.7],
       [ 9. ],
       [ 9.5],
       [ 9.6],
       [10.3],
       [10.5]])

将数据分成训练集和测试集

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3, random_state = 0)

#Simple Linear Regression对应机器；拟合对应学习
#创建简单回归器，并且用训练集拟合简单线性回归器
from sklearn.linear_model import LinearRegression

regressor = LinearRegression()#创建对象

regressor.fit(X_train, y_train)#用训练集的数据拟合

LinearRegression()

#预测测试集的因变量为多少，并且让预测结果和测试结果进行比较
y_pred = regressor.predict(X_test)  #y_pred为使用测试集的输入得出的预测结果    regressor回归器

#画出训练集的实际结果以及回归器的预测结果
plt.scatter(X_train, y_train, color = 'red')#第一个：x轴，自变量；第二个：y轴的值；第三个：为点涂色
plt.plot(X_train, regressor.predict(X_train), color = 'blue')  
#回归器的预测结果，以线的方式表示；第一个：x轴，自变量；第二个：y轴对应的值，及回归器的预测结果；第三个：为线涂色  
plt.title('Salary VS Experience (training set)')#为图像加标题
plt.xlabel('Years of Experience')#x轴标签
plt.ylabel('Salary')#y轴标签
plt.show()

#画出测试集的实际结果以及回归器的预测结果
plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_train, regressor.predict(X_train), color = 'blue')
plt.title('Salary VS Experience (test set)')
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.show()