機器學習程式碼筆記-2-簡單線性迴歸

 

 

 

 

簡單線性迴歸¶

 

簡單線性迴歸程式碼¶

 

Step 1： 資料預處理¶

In [ ]:

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

dataset = pd.read_csv('data/studentscores.csv')
X = dataset.iloc[ : ,   : 1 ].values
Y = dataset.iloc[ : , 1 ].values

from sklearn.model_selection import train_test_split

X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)

 

Step 2: 使用簡單線性迴歸模型擬合資料集¶

In [ ]:

from sklearn.linear_model import LinearRegression

regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

 

Step 3: 預測結果¶

In [ ]:

Y_pred = regressor.predict(X_test)

 

Step 4：視覺化¶

 

視覺化訓練結果¶

In [ ]:

plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')

Out[ ]:

[<matplotlib.lines.Line2D at 0x7fdfcee72f50>]

 

 

視覺化預測結果¶

In [ ]:

plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')

Out[ ]:

[<matplotlib.lines.Line2D at 0x7fdfcef9d710>]

 

 

簡單線性迴歸介紹與總結¶

 

1. 在統計學中，線性迴歸是利用稱為線性迴歸方程的最小二乘函式對一個或多個自變數和因變數之間關係進行建模的一種迴歸分析。這種函式是一個或多個稱為迴歸係數的模型引數的線性組合。當因變數和自變數之間高度相關時，我們就可以使用線性迴歸來對資料進行預測。
2. 線性迴歸模型，是利用數理統計中迴歸分析，來確定兩種或兩種以上變數間相互依賴的定量關係的一種統計分析方法，運用十分廣泛。 其表達形式為 $y = w' x + e$，e為誤差服從均值為0的正態分佈。線性迴歸模型是利用稱為線性迴歸方程的最小平方函式對一個或多個自變數和因變數之間關係進行建模的一種迴歸分析。

 

 

參考¶

100-Days-Of-ML-Code