Python----简单线性回归
作者:互联网
简单线性回归
1、研究一个自变量(X)和一个因变量(y)的关系
简单线性回归模型定义:y=β0+β1x+ε
简单线性回归方程:E(y)=β0+β1x
其中:
β0为回归线的截距
β1为回归线的斜率
通过训练数据,求取出估计参数建立的直线方程:
实际编程时,主要是根据已知训练数据,估计出β0和β1的值b0和b1
2、举例:
实际代码:
import numpy as np import matplotlib.pyplot as plt import pandas as pd dataset = pd.read_csv('Data.csv') X = dataset.iloc[:, :-1].values y = dataset.iloc[:, 1].values #将数据分成训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 1/3, random_state = 0) #Simple Linear Regression对应机器;拟合对应学习 #创建简单回归器,并且用训练集拟合简单线性回归器 from sklearn.linear_model import LinearRegression#导入类sklearn库里面的LinearRegression线性回归 regressor = LinearRegression()#创建对象 regressor.fit(X_train, y_train)#用训练集的数据拟合 #预测测试集的因变量为多少,并且让预测结果和测试结果进行比较 y_pred = regressor.predict(X_test)#y_pred预测结果,regressor回归器 #画出训练集的实际结果以及回归器的预测结果 plt.scatter(X_train, y_train, color = 'red')#第一个:x轴,自变量;第二个:y轴的值;第三个:为点涂色 plt.plot(X_train, regressor.predict(X_train), color = 'blue')#回归器的预测结果,以线的方式表示;第一个:x轴,自变量;第二个:y轴对应的值,及回归器的预测结果;第三个:为线涂色 plt.title('Salary VS Experience (training set)')#为图像加标题 plt.xlabel('Years of Experience')#为x轴加标签 plt.ylabel('Salary')#为y轴加标签 plt.show()#显示图像 #画出测试集的实际结果以及回归器的预测结果 plt.scatter(X_test, y_test, color = 'red') plt.plot(X_train, regressor.predict(X_train), color = 'blue')#回归器针对训练集做拟合的,所以regressor.predict(X_train)无需改动 plt.title('Salary VS Experience (test set)') plt.xlabel('Years of Experience') plt.ylabel('Salary') plt.show()
红色表示实际结果,蓝色表示预测结果
标签:plt,Python,回归,regressor,test,train,线性,import 来源: https://www.cnblogs.com/xueqin/p/10553164.html