线性回归——简单介绍与使用

定义：利用回归方程（函数）对一个或多个自变量（特征值）和因变量（目标值）之前关系进行建模的一种分析方式。
特点：只有一个自变量的情况称为：单变量回归；多余一个自变量的情况称为：多元回归。
原理：每条数据有n个特征，每个特征对应着自己的权重值，与权重的乘积再加上一个偏置值，这个就是线性回归模型。

 

'''
逻辑步骤：
1、获取数据集
2、数据基本处理
3、特征工程
4、机器学习
5、模型评估
'''

from sklearn.linear_model import LinearRegression

# 构造数据集
x = [[80, 86],
     [82, 80],
     [85, 78],
     [90, 90],
     [86, 82],
     [82, 90],
     [78, 80],
     [92, 94]]
y = [84.2, 80.6, 80.1, 90, 83.2, 87.6, 79.4, 93.4]
# 实例化API
obj = LinearRegression()
obj.fit(x, y)
# 获取回归系数和偏移量
obj.coef_  # 回归系数
obj.intercept_  # 偏移量

# 预测
predict = obj.predict([[100, 80]])
print(predict)