sklearn实现一元线性回归 【Python机器学习系列（五）】
文章目录
1.获取数据2.线性回归模型大家好，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 npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as pltdata = np.loadtxt("data.csv", delimiter=",")# 构建特征x：第0列 一维变为二维-->np.newaxisx_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()
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()
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
