第L2周：ML｜线性回归模型

• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊               

1. 简单线性回归模型

一、概念

1. 回归：

• 在机器学习中，回归任务是指预测连续值的问题，例如房价、温度、销售额等。
• 回归模型通过学习输入特征（自变量）与输出目标（因变量）之间的关系来进行预测。
• 常见的回归算法包括线性回归、多项式回归、决策树回归、支持向量回归（SVR）和神经网络回归等。

2. 线性回归：

• 线性回归是最简单的回归分析形式，它假设自变量和因变量之间存在线性关系。
• 线性回归的目标是找到一条直线（在二维空间中）或一个平面（在三维空间中），最好地拟合数据集中的点。
• 这条直线（或平面）被称为回归线，它由截距（intercept）和斜率（slope）参数定义。

3. 回归与分类的区别：

• 在机器学习中，回归和分类是两种不同的任务。
• 分类任务是预测离散标签的问题，例如判断邮件是否为垃圾邮件、图片中是否包含某种物体等。
• 回归任务则是预测连续值的问题，如房价、温度、时间序列数据等。

二、代码学习

我的环境：

• 语言环境：cuda环境 Python 3.12.3
• 编译器：Jupyter Lab

这里我们采用“学习时长-成绩”数据集，采用LinearRegression简单线形回归模型，通过学习时长去预测学生成绩。

1. 数据预处理 （导入数据 + 数据集划分）

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

dataset = pd.read_csv("C:\\Users\\Zhao\\Desktop\\data\\studentscores.csv")
X = dataset.iloc[ : , :1].values
Y = dataset.iloc[ : ,1].values

from sklearn.model_selection import train_test_split
X_tra