1. Antecedentes de ejemplo
Supongamos que [profesionalismo] [velocidad de respuesta] [días activos del grupo de usuarios] estos tres factores afectan conjuntamente [puntuación de recomendación]
2. Objetivos de la misión
Entrene un modelo para predecir [puntuación de recomendación] en función de [profesionalismo] [velocidad de respuesta] [días activos del grupo de usuarios]
3. Implementación del aprendizaje automático
1. Pasos básicos
Realiza todo el proceso:
1.1 Construcción de modelos
El objetivo de la tarea es realizar la predicción del valor real, y hay 3 factores que afectan la [puntuación recomendada]: por lo tanto, se debe establecer un " modelo de regresión múltiple "
en sklearn, ya sea lineal único o múltiple. regresión, se establece la ecuación de regresión lineal real, por lo que el código central para construir el modelo es
# 1. 建立模型:逻辑回归模型
classifier = linear_model.LinearRegression()
1.2 Modelo de aprendizaje
1) Determinar la función de pérdida: el método de mínimos cuadrados
2) La forma óptima de resolver el índice de cálculo: sklearn utiliza por defecto la forma de solución analítica de derivación
# 2. 学习模型
classifier.fit(X,Y)
1.3 Modelo de medición
Los indicadores de medición del modelo de clasificación-regresión logística son: R²
El código central es el siguiente:
# 3. 衡量模型
r2 = reg.score(X,Y)
2. Código
from sklearn import linear_model
import pandas as pd
import matplotlib.pyplot as plt
# 获取所需数据:'推荐分值', '专业度','回复速度','用户群活跃天数'
datas = pd.read_excel('./datas1.xlsx')
important_features = ['推荐分值', '专业度','回复速度','用户群活跃天数']
datas_1 = datas[important_features]
# 明确实值Y为'推荐分值',X分别为'专业度','回复速度','用户群活跃天数'
Y = datas_1['推荐分值']
X = datas_1.drop('推荐分值',axis=1)
# 1. 建立模型
reg = linear_model.LinearRegression()
# 2. 学习模型
reg.fit(X,Y)
w = reg.coef_
b = reg.intercept_
# 3. 衡量模型
r2 = reg.score(X,Y)
# 输出模型最优状态下的参数W和b,R²分数
for index,value in enumerate(zip(X.columns,w)):
print(f"【{
value[0]}】参数w{
index+1}:",value[1])
print("偏差b,或参数w0:",b)
print("多元线性回归模型的r²分数为:",r2)