自己开外销网站怎么做,科研网站怎么建设,pc网站优化排名,怎么创建一个属于自己的网站1.是什么#xff1a;
针对机器学习提供了数据预处理#xff0c;分类#xff0c;回归等常见算法的框架
2.基于scikit-learn求解线性回归的问题#xff1a;
2.1.求解a#xff0c;b对新数据进行预测#xff1a; 2.2评估模型表现#xff08;y和y’的方差MSE#xff09;…1.是什么
针对机器学习提供了数据预处理分类回归等常见算法的框架
2.基于scikit-learn求解线性回归的问题
2.1.求解ab对新数据进行预测 2.2评估模型表现y和y’的方差MSE 2.3 图形展示
**scatter(x,y)**画散点图 **绘画子图**利用matplotlib绘画子图subplot(211)——代表两行一列第一张图绘制
3.单因子线性回归模型
这些是导入所需的Python库和模块。NumPy用于数值计算Pandas用于数据处理Matplotlib用于绘图而Scikit-learn中的LinearRegression类和评估指标用于线性回归建模和评估。 10.
问为什么scikit-learn期待输入的是二维数组
一致性 Scikit-learn的设计遵循一致性原则即无论输入是一维数组还是二维数组模型的处理方式应该是一致的。因此为了保持一致性大多数模型都要求输入是二维数组。多特征支持 在实际问题中往往会有多个特征或自变量影响目标变量或因变量。而使用二维数组可以很容易地表示多个特征每一列代表一个特征每一行代表一个样本。适应性 使用二维数组可以更好地适应各种数据集的情况不论是单特征还是多特征的情况。
完整代码
# 导入工具包
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score# 1.读取generated_data.csv文件数据
path D:/pythonDATA/generated_data.csv
data pd.read_csv(path)
type(data)
# 2.查看读取到的文件
print(data.head())
# 3.分别将数据赋值给x和y
X data[x]
y data[y]
print(type(X))
# 4.利用matplotlip将数据可视化进行分散图显示
plt.figure(figsize(10, 8))
plt.scatter(X, y)
plt.show()
# 5.创造线性回归模型
lr_model LinearRegression()
# 输出X的纬度
print(X.shape)
# 6.先将X利用numpy转为数组然后再reshape成二维数组
X np.array(X)
print(X)
X X.reshape(-1, 1)
print(X)
print(X.shape) # (10,1)
# 7.拟合训练
lr_model.fit(X, y)
# 8.查看线性回归模型拟合后的系数ab
a lr_model.coef_
b lr_model.intercept_
print(a)
print(b)
# 9.对X3.5时进行模型预测y值
c_predict lr_model.predict([[3.5]])
print(c_predict)
y_predict lr_model.predict(X)
print(y_predict)
# 10.进行模型评估
MSE mean_squared_error(y, y_predict)
R2 r2_score(y, y_predict)
print(MSE) # MSE接近0
print(R2) # R2值接近1拟合度很高
# 11.可视化y和y
fig2 plt.figure(figsize(10, 10))
plt.scatter(y, y_predict)
plt.show()
