机器学习---线性回归

直接给复习的笔记O(∩_∩)O~~~~

代码实例：

#线性回归
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split       
from sklearn.linear_model import LinearRegression

if __name__ == "__main__":
    path = 'E:/训练数据/8.Advertising.csv'
    # pandas读入
    data = pd.read_csv(path, index_col = 0)    # TV、Radio、Newspaper、Sales
    x = data[['TV', 'Radio', 'Newspaper']]
    y = data['Sales']

    # # 绘制数据散点图
    plt.plot(data['TV'], y, 'ro', label='TV')
    plt.plot(data['Radio'], y, 'g^', label='Radio')
    plt.plot(data['Newspaper'], y, 'mv', label='Newspaer')
    plt.legend(loc='lower right')  #显示图例，以及位置,在图内部
    plt.grid()   #显示网格
    plt.show()

    #建模
    x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1)     #随机的取分割训练集和测试集
    linreg = LinearRegression()     #实例化
    model = linreg.fit(x_train, y_train)
    print(model)
    print('截距项为：', linreg.coef_)     #输出截距项，即我们熟悉的ax+b的b值
    print('权重项为：', linreg.intercept_)   #输出权重项，即我们熟悉的ax+b的a值，此处是向量！
    
    #进行预测
    y_hat = model.predict(x_test)

    #评价
    mse = np.average((y_hat - np.array(y_test)) ** 2)  # Mean Squared Error均方误差
    print('得分为：', mse)

    #绘制预测对比图
    t = np.arange(len(x_test))
    plt.plot(t, y_test, 'r-', linewidth=2, label='Test')
    plt.plot(t, y_hat, 'g-', linewidth=2, label='Predict')
    plt.legend(loc='upper right')
    plt.grid()
    plt.show()

输出结果分别有：

散点图：

对比图结果：