网站建设及推广好学习吗,网站建设基本流程流程图,中文软件开发平台,好用的免费网站回归是一种有监督的学习方式#xff0c;需要根据历史数据对未知数据做出预测。在此#xff0c;以房屋面积预测房屋价格为例#xff1a;首先#xff0c;读入数据#xff1a;代码如下#xff1a;import pandas as pdimport numpy as npfrom io import StringIOfrom sklearn…回归是一种有监督的学习方式需要根据历史数据对未知数据做出预测。在此以房屋面积预测房屋价格为例首先读入数据代码如下import pandas as pdimport numpy as npfrom io import StringIOfrom sklearn import linear_modelimport matplotlib.pyplot as plt# 房屋面积与价格历史数据(csv文件)csv_data square_feet,price\n150,6450\n200,7450\n250,8450\n300,9450\n350,11450\n400,15450\n600,18450\n# 读入dataframedfpd.read_csv(StringIO(csv_data))# print(df)其次建立线性回归模型并对数据进行拟合代码如下# 建立线性回归模型regrlinear_model.LinearRegression()# 拟合regr.fit(df[square_feet].values.reshape(-1, 1), df[price])# 用values方法将Series对象转化成numpy的ndarray再用ndarray的reshape方法。# 注意此处.reshape(-1, 1)因为X是一维的得到模型的截距和斜率# 直线的截距斜率a,bregr.coef_,regr.intercept_两种方式进行预测第一种方式是根据得到的模型直接进行的计算第二种方式是根据回归模型的预测方法Predict进行的预测通过运行代码可知两种方法得到的结果一致。# 给出待预测面积area238.5# 方式1根据直线方程计算的价格print(a*areab)# 方式2根据predict方法预测的价格print(regr.predict(area))绘图分别绘制散点图和拟合的直线# 画图# 1.真实的点(绘制的散点图)plt.scatter(df[square_feet],df[price],colorblue)# 2.拟合的直线plt.plot(df[square_feet],regr.predict(df[square_feet].values.reshape(-1,1)),colorred,linewidth4)plt.show()至此一元线性回归模型就创建完成了对于模型的学习建议大家在了解了算法的原理之后要动手实战毕竟机器学习或者数据挖掘重在实战我们最终是要做出模型来进行决策的。多动手你会发现原本枯燥的原理、算法会变得清晰自己也会更加感兴趣
