线性回归的sklearn实现

线性回归sklearn实现

1.导入必要的模块
2.构建数据集
3.数据划分
4.模型搭建
5.模型训练
6.模型预测
7.查看线性回归模型
8.计算评价指标MSE

线性回归sklearn的实现
# 安装sklearn
!pip3 install sklearn
# 1.导入必要的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
2.构建数据集
x=np.array([50,30,15,40,55,20,45,10,60,25])
y=np.array([5.9,4.6,2.7,4.8,6.5,3.6,5.1,2.0,6.3,3.8])
# 画出数据集散点图
plt.scatter(x,y)
plt.xlabel('area')
plt.ylabel('price')
plt.grid(True) # 绘制出有网格的效果
plt.show()

3.数据划分
from sklearn.model_selection import train_test_split
x_tarin,x_test,y_train,y_test=train_test_split(
    x,y,test_size=0.3,random_state=23)
x_tarin
# len(x_tarin)
4.模型搭建
from sklearn.linear_model import LinearRegression
model=LinearRegression()
5.模型训练
# x_tarin的shape由（10，）变为shape（10,1）
x_tarin=x_tarin.reshape(-1,1)
model.fit(X=x_tarin,y=y_train)
6.模型预测
x_test=x_test.reshape(-1,1)
y_test_pred=model.predict(X=x_test)
7.查看线性回归模型的系数w和截距b
w,b=model.coef_[0],model.intercept_
print('Weight={0} bias={1}'.format(w,b))
# 画出数据集的散点图和预测直线
plt.scatter(x_test,y_test,color='g',label='test dataset')
plt.scatter(x_tarin,y_train,color='b',label='train dataset')

linear=np.sort(x_test)*model.coef_[0]+model.intercept_
plt.plot(np.sort(x_test),linear,color='r',label='linear regression')
plt.legend()
plt.show()

8.计算评价指标MSE
from sklearn.metrics import mean_squared_error
mse=mean_squared_error(y_true=y_test,y_pred=y_test_pred)
print('MSE:{}'.format(mse))