Open vislee opened 9 months ago
使用pyenv管理python版本，切换到3.8.5。 安装线性回归测试所需要的包：
pip install numpy pip install matplotlib pip install scikit-learn pip install pandas pip install scipy pip install graphviz
import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import PolynomialFeatures from sklearn.linear_model import LinearRegression m = 200 # 构造训练数据 x = np.random.rand(m, 1)*6 - 3 y = x + 0.5*x**2 + np.random.randn(m, 1) # 画出训练数据 # plt.plot(x, y, 'b.') # plt.xlabel('x') # plt.ylabel('y') # plt.axis([-3, 3, -5, 10]) # plt.show() # 对数据做特征变换 poly_features = PolynomialFeatures(degree = 2, include_bias = False) x_poly = poly_features.fit_transform(x) print(x[0]) # [0.55472076] print(x_poly[0]) # [0.55472076 0.30771512] # 初始化线性回归 lin_reg = LinearRegression() # 使用数据训练 lin_reg.fit(x_poly, y) # 输出训练结果， lin_reg 就是训练好的线性回归方程。 print(lin_reg.coef_) # [[1.04560117 0.47370004]] print(lin_reg.intercept_) # [0.05677187] # 构造新的测试数据：100个-3～3之间的数 x_test = np.linspace(-3, 3, m).reshape(m, 1) x_test_poly = poly_features.transform(x_test) y_test = lin_reg.predict(x_test_poly) plt.plot(x, y, 'b.') plt.plot(x_test, y_test, 'r--', label='predict') plt.xlabel('x') plt.ylabel('y') plt.axis([-3, 3, -5, 10]) plt.legend() plt.show()
上图红色为训练好的函数曲线， 蓝色点为构造的训练数据。 同时根据linreg.coef 和 linreg.intercept 也可以看出训练好的函数符合： y = x + 0.5*x**2 + 一个1以内的常数。
使用Jupyter学习测试更方便。
# 安装 pip install jupyter # 启动 jupyter notebook
https://scikit-learn.org.cn https://matplotlib.org/ https://numpy.org/
环境准备
使用pyenv管理python版本，切换到3.8.5。 安装线性回归测试所需要的包：
训练测试模型
上图红色为训练好的函数曲线， 蓝色点为构造的训练数据。 同时根据linreg.coef 和 linreg.intercept 也可以看出训练好的函数符合： y = x + 0.5*x**2 + 一个1以内的常数。
使用Jupyter学习测试更方便。
相关文档
https://scikit-learn.org.cn https://matplotlib.org/ https://numpy.org/