首页 > 编程语言 > 详细

线性回归算法

时间:2020-04-22 16:56:31      阅读:56      评论:0      收藏:0      [点我收藏+]

1.本节重点知识点用自己的话总结出来,可以配上图片,以及说明该知识点的重要性

回顾机器学习分类:监督学习,半监督学习,无监督学习,强化学习

监督学习分为:回归,分类

回归分为:线性回归,Logistic回归

有监督:训练数据集必须是有标记,然后通过给定的训练数据和特定的算法去构造一个模型。

 

无监督:训练数据集没有标记,去寻找训练数据中隐藏的模式或者是对数据进行分组。

 

 

技术分享图片

 

 

 

 

2.思考线性回归算法可以用来做什么?(大家尽量不要写重复)

 线性回归算法可以运用在许许多多地方上,比如生活上,我们需要去购物,就能运用该算法,把改价格相近的东西找出来。

 

3.自主编写线性回归算法 ,数据可以自己造,或者从网上获取。(加分题)

 

这是上学期做的作业,我预测了汽车的动力与其价格的关系。

print(201706120190)
print(陈志炜)
print(软件1702)
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
data = pd.read_csv(201706120190陈志炜.csv)
data.drop(尺寸,axis=1,inplace=True)
data[动力/马力]
for i in range(len(data[动力/马力])):
    data[动力/马力][i] = data[动力/马力][i].split()[0]
data[耗油量/L]
for i in range(len(data[耗油量/L])):
    data[耗油量/L][i] = data[耗油量/L][i].split(L)[0]
data[尾箱空间/L]
for i in range(len(data[尾箱空间/L])):
    data[尾箱空间/L][i] = data[尾箱空间/L][i].split(L)[0]
for i in range(len(data[动力/马力])-1):
    for j in range(i,len(data[动力/马力])):
        if(data[动力/马力][i]>data[动力/马力][j]):
            count=data[动力/马力][i]
            data[动力/马力][i]=data[动力/马力][j]
            data[动力/马力][j]=count
            count1 = data[原价/万元][i]
            data[原价/万元][i] = data[原价/万元][j]
            data[原价/万元][j] = count1

# x=data[动力/马力]
# y=data[原价/万元]
x = data[动力/马力].values
y = data[原价/万元].values
x1 = x.reshape(len(x),1)
y1 = y.reshape(len(y),1)

from sklearn.linear_model import LinearRegression
clf = LinearRegression()
clf.fit(x1,y1)
pre = clf.predict(x1)

plt.scatter(x,y,s=100)
plt.plot(x,pre,r-,linewidth=4)
for idx, m in enumerate(x):
    plt.plot([m,m],[y[idx],pre[idx]], g-)
plt.show()

技术分享图片

 

线性回归算法

原文:https://www.cnblogs.com/sgczw/p/12752687.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!