sklearn实现一元线性回归 【Python机器学习系列（五）】

---

大家好，我是侯小啾！

 本期blog分享的内容是通过sklearn库实现一元线性回归。相比上篇blog中介绍的梯度下降法中较为复杂的代码，使用sklearn后将使代码复杂度大大降低。希望本文能对您有所帮助！

      ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ
                  
    ʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞʚʕ̯•͡˔•̯᷅ʔɞ

---

1.获取数据

首先请自行准备数据，这路以data.csv为例，数据只需满足能提取出两列，一列为解释变量x，一列为被解释变量y即可。

导入相关库，读取数据，提取数据，并绘制出散点图，大致查看一下数据的分布情况。

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

data = np.loadtxt("data.csv", delimiter=",")

# 构建特征x：第0列   一维变为二维-->np.newaxis
x_data = data[:, 0, np.newaxis]

# 构建目标y：第1列
y_data = data[:, 1]

plt.scatter(x_data, y_data, color="maroon", marker="x")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14

绘制出散点图如图所示：
       

---

2.线性回归模型

创建并训练线性回归模型，然后实现预测功能，并绘制出线性拟合图。

# 创建拟合模型
model = LinearRegression()
# 训练模型
model.fit(x_data,y_data)

# 预测
print(model.predict([[80]]))

# 绘制散点图(x,y)
plt.scatter(x_data, y_data, color="maroon",marker="x")
# 绘制直线(x,y^)
plt.plot(x_data, model.predict(x_data), "gray")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13

拟合结果如下图：
       

---

本次分享就到这里，小啾感谢您的关注与支持！
🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ