L2-1 机器学习——线性回归模型（一）

• 🍨 本文為🔗365天深度學習訓練營 中的學習紀錄博客
• 🍖 原作者：K同学啊 | 接輔導、項目定制

365天深度学习L2-1

一、简单线性回归

通过两个或多个变量之间的线性关系来预测结果。

二、代码实现

第1步：导入library

# Import the libraries

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

第2步：读取数据

该处使用的url网络请求的数据。

# Load the data
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"  
names = ['花萼-length', '花萼-width', '花瓣-length', '花瓣-width', 'class'] 

df = pd.read_csv(url, names=names)
df.head()

第3步：分割数据集

• 由于需要用花瓣的长度来预测花瓣的宽度，则X为第三列“花瓣-length”, y为第四列“花瓣-width”。
• 由于scikit-learn期望输入的特征数据是二维的，即 (n_samples, n_features)，其中 n_features是特征数, 在这种情况下，即使只有一个特征（第3列），需要显式地将其形状调整为二维。
• reshape(-1, 1)的作用是将一维数组转换为二维数组，其中-1表示“自动计算行数”，1表示列数为1。最终结果是X的形状将变为 (n_samples, 1)。
• 这里取80%作为训练集，20%作为测试集

# Slipt the data
X = df.iloc[:, 2].values.reshape(-1, 1)
y = df.iloc[:, 3].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

第4步：简单线性回归模型

# Linear regression model
regressor = LinearRegression()
regressor.fit(X_train, y_train)

# Predict the test set
y_pred = regressor.predict(X_test)

第5步：结果可视化

1. 训练集可视化

# Visualize the training set
plt.scatter(X_train, y_train, color='red')
plt.plot(X_train, regressor.predict(X_train), color='blue')
plt.title('Iris dataset training set')
plt.xlabel('Features')
plt.ylabel('Class')
plt.show()

  

2. 测试集预测结果可视化

# Visualize the test set
plt.scatter(X_test, y_test, color='red')
plt.plot(X_train, regressor.predict(X_train), color='blue')
plt.title('Iris dataset test set')
plt.xlabel('Features')
plt.ylabel('Class')
plt.show()