Python机器学习——多元线性回归案例（二）

引入披萨问题

回顾一下自己的生活经验，匹萨的价格其实还会受到其他因素的影响。

       比如，匹萨的价格还与辅料有关。让我们再为模型增加一个解释变量。用一 元线性回归己经无法解决了，我们可以用更具一般性的模型来表示，即多元线性回归。

测试集

1.通过分析已经确定属于多元线性回归问题

完整代码为：

from sklearn import linear_model

# 1.准备 训练数据集
X_train = [[8,11],[9,8.5],[11,15],[16,18],[12,11]]
y_train = [[9.77],[10.75],[12.70],[17.58],[13.68]]

# 2.构建模型
model = linear_model.LinearRegression()

# 3.训练模型
model.fit(X_train,y_train)
print("模型系数为：",model.coef_)       # 模型系数为： [[ 9.77014044e-01 -8.91512314e-04]
print("模型截距为：",model.intercept_)  # 模型截距为： [1.96476491]

# 4.预测模型
y_train_pred = model.predict(X_train)
print(y_train_pred)
# [[ 9.77107063]
#  [10.75031345]
#  [12.69854671]
#  [17.5809424 ]
#  [13.67912681]]


# 准备 测试集
X_test = [[8,2],[9,0],[11,2],[16,2],[12,0]]
y_test = [[11],[8.5],[15],[18],[11]]

# 5.评估模型
score = model.score(X_test,y_test)
print("score:",score)    # score: 0.6615073904189869

# 6.模型可靠，使用模型，正是预测
print(model.predict(X_test))
# [[ 9.77909424]
#  [10.75789131]
#  [12.71013637]
#  [17.59520659]
#  [13.68893344]]

细节分析：评估模型中score越接近1，说明模型拟合度越可靠，逼真

2.总结：

       ① 根据题意分析属于多元线性回归问题
       ② 导入回归模型库
       ③ 五步走：导入训练数据集 + 构建模型 + 训练模型 + 评估模型 + 模型预测