线性回归-我们自己假设一下目标函数，并在图像中做拟合分析

1.数据及散点图

2. 我们假设三个函数并且在图中画出来

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd


data=pd.read_csv( "finalData.csv", thousands=',')
data.plot(kind='scatter', x="GDP per capita", y='Life satisfaction', figsize=(5,3))


plt.axis([0, 60000, 0, 10])
X=np.linspace(0, 60000, 1000)


plt.plot(X, 2*X/100000, "r")
plt.text(40000, 2.7, r"$\theta_0 = 0$", fontsize=14, color="r")
plt.text(40000, 1.8, r"$\theta_1 = 2 \times 10^{-5}$", fontsize=14, color="r")


plt.plot(X, 8 - 5*X/100000, "g")
plt.text(5000, 9.1, r"$\theta_0 = 8$", fontsize=14, color="g")
plt.text(5000, 8.2, r"$\theta_1 = -5 \times 10^{-5}$", fontsize=14, color="g")


plt.plot(X, 4 + 5*X/100000, "b")
plt.text(5000, 3.5, r"$\theta_0 = 4$", fontsize=14, color="b")
plt.text(5000, 2.6, r"$\theta_1 = 5 \times 10^{-5}$", fontsize=14, color="b")
#save_fig('tweaking_model_params_plot')
plt.show()

3.展示结果

我们肉眼可以观察到蓝色那一条线应该是比较符合标准的，其实这个就是我们通过线性回归模型得到的两个参数