Python机器学习之简单线性回归以及案例分析

简单线性回归

本次介绍最简单的线性回归模型——将数据模拟合成一条直线。直线模拟的模型方程为 y = ax + b，其中 a 是直线斜率，b 是直线截距。

模拟数据

从斜率为2，截距是-5的直线中抽取散点并绘制散点图
代码如下：

# 常用库
import matplotlib.pyplot as plt
import seaborn as sns;sns.set()
import numpy as np
#这里的randomstate=1指的是伪随机数生成器的种子，简单来说每个种子对应一个随机数
rng = np.random.RandomState(1)
# 抽取数据
x = 10 * rng.rand(50)
# randn的作用为保证与上面取的点一样
y = 2 * x - 5 + rng.randn(50)
# 绘制散点图
plt.scatter(x, y);

数据散点图：

拟合数据，获得最佳拟合直线

通过Scikit-Learn 的 LinearRegression 评估器来拟合数据，并获得最佳拟合直线：
from sklearn.linear_model import LinearRegression
model = LinearRegression(fit_intercept=True)
代码如下：

#获得最佳拟合直线
from sklearn.linear_model import LinearRegression
#实例化评估器来拟合数据
model = LinearRegression(fit_intercept=True)
#真实数据传入这张图，让数据在计算图中流动起来
model.fit(x[:, np.newaxis], y)
#得到0-10中1000个数据
xfit = np.linspace(0, 10 , 1000)
#通过x预测y
yfit = model.predict(xfit[:, np.newaxis])
plt.plot(xfit, yfit)

拟合直线：