基于sciket-learn实现线性回归算法

线性回归算法主要用来解决回归问题，是许多强大的非线性模型的基础，无论是简单线性回归，还是多元线性回归，思想都是一样的，假设我们找到了最佳拟合方程（对于简单线性回归，多元线性回归对应多个特征作为一组向量）y=ax+b，则对于每一个样本点xi，根据我们的直线方程，预测值为y^i = axi + b,真值为y，我们希望y和y^i的差距尽量的小。

接下来我们看看通过sciket-learn来实现线性回归算法，首先还是导入常用的库

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

这里我们使用boston房价的数据集，并且去掉50这个极值，通常在实际应用中，这个极值可能是由于环境因素或者仪器限制等无法获取到真值，所以在这里我们去除数据集里的50

boston = datasets.load_boston()

X = boston.data
y = boston.target

X = X[y < 50.0]
y = y[y < 50.0]

接下里是训练集和测试集的划分以及获取构造器并且fit训练集

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
lin_reg = LinearRegression()
lin_reg.fit(X_train, y_train)

在查看分类效果前，可以先看看y^方程里的系数与截距