对于想深入了解线性回归的童鞋,这里给出一个完整的例子,详细学完这个例子,对用scikit-learn来运行线性回归,评估模型不会有什么问题了。
一、获取数据,定义问题
没有数据,当然没法研究机器学习啦。:) 这里我们用UCI大学公开的机器学习数据来跑线性回归。
数据的介绍在这: http://archive.ics.uci.edu/ml/datasets/Combined+Cycle+Power+Plant
数据的下载地址在这: http://archive.ics.uci.edu/ml/machine-learning-databases/00294/
里面是一个循环发电场的数据,共有9568个样本数据,每个数据有5列,分别是:AT(温度), V(压力), AP(湿度), RH(压强), PE(输出电力)。我们不用纠结于每项具体的意思。
我们的问题是得到一个线性的关系,对应PE是样本输出,而AT/V/AP/RH这4个是样本特征, 机器学习的目的就是得到一个线性回归模型,即:
\(PE = \theta_0 + \theta_1*AT + \theta_2*V + \theta_3*AP + \theta_4*RH\)
而需要学习的,就是\(\theta_0, \theta_1, \theta_2, \theta_3, \theta_4\)这5个参数。
二、整理数据
下载后的数据可以发现是一个压缩文件,解压后可以看到里面有一个xlsx文件,我们先用excel把它打开,接着“另存为“”csv格式,保存下来,后面我们就用这个csv来运行线性回归。
打开这个csv可以发现数据已经整理好,没有非法数据,因此不需要做预处理。但是这些数据并没有归一化,也就是转化为均值0,方差1的格式。也不用我们搞,后面scikit-learn在线性回归时会先帮我们把归一化搞定。
好了,有了这个csv格式的数据,我们就可以大干一场了。
三、3. 用pandas来读取数据
我们先打开ipython notebook,新建一个notebook。当然也可以直接在python的交互式命令行里面输入,不过还是推荐用notebook。下面的例子和输出我都是在notebook里面跑的。
先把要导入的库声明了:
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import pandas as pd
from sklearn import datasets, linear_model
接着我们就可以用pandas读取数据了:
# read_csv里面的参数是csv在你电脑上的路径,此处csv文件放在notebook运行目录下面的CCPP目录里
data = pd.read_csv('.\CCPP\ccpp.csv')
测试下读取数据是否成功:
#读取前五行数据,如果是最后五行,用data.tail()
data.head()
运行结果应该如下,看到下面的数据,说明pandas读取数据成功:
|
AT | V | AP | RH | PE | ||||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 |
8.34 | 40.77 | 1010.84 | 90.01 | 480.48 | ||||||||||||||||||||||||||||||||||||||||||
1 | 23.64 | 58.49 | 1011.40 | 74.20 | 445.75 | ||||||||||||||||||||||||||||||||||||||||||
2 | 29.74 | 56.90 | 1007.15 | 41.91 | 438.76 | ||||||||||||||||||||||||||||||||||||||||||
3 | 19.07 | 49.69 | 1007.22 | 76.79 | 453.09 | ||||||||||||||||||||||||||||||||||||||||||
4 | 11.80 | 40.66 | 1017.13 | 97.20 | 464.43
四、4. 准备运行算法的数据我们看看数据的维度: 结果是(9568, 5)。说明我们有9568个样本,每个样本有5列。 现在我们开始准备样本特征X,我们用AT, V,AP和RH这4个列作为样本特征。 可以看到X的前五条输出如下:
|