sklearn 【01】一般线性回归

#1.一般线性回归

#方法思路：普通最小二乘法，平方误差最小化

#测试数据：
x = [[0,0],[1,1],[2,2]]
#将列表格式数据转为数组格式
x_1 = np.array(x)
y = [0,1,2]

#定义线性回归模型：
model = linear_model.LinearRegression()
#模型训练：
model.fit(x,y)

#可视化展示：
plt.scatter(x_1[:,0],x_1[:,1],color = 'blue')
plt.show()

#模型系数：
model.coef_
print('模型系数为：',model.coef_)

 

#--------------示例2：---------------------
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score

diabetes = datasets.load_diabetes()

#newaxis:将抽取的数据每个转换为一列
diabetes_x = diabetes.data[:,np.newaxis,2]

#将数据分为训练集与测试集：
diabetes_x_train = diabetes_x[:-20]
diabetes_x_test = diabetes_x[-20:]
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

#建立回归模型：
model = linear_model.LinearRegression()
#模型训练过程：
model.fit(diabetes_x_train, diabetes_y_train)

#进行数据预测：
diabetes_pred = model.predict(diabetes_x_test)

#模型误差分析：
error = mean_squared_error(diabetes_y_test, diabetes_pred)
r2_score = r2_score(diabetes_y_test, diabetes_pred)

#训练后的系数：
print('系数为：',model.coef_)
print('误差为：',error)
print('拟合度为：',r2_score)

#可视化展示：
plt.scatter(diabetes_x_test, diabetes_y_test, color = 'black')
plt.plot(diabetes_x_test, diabetes_pred, color = 'blue', linewidth = 3)
#去掉x轴坐标;
plt.xticks(())
#去掉y轴坐标：
plt.yticks(())
plt.show()