机器学习入门——线性回归预测广告投入数据集

0.Advertising数据集

　　Advertising数据集是关于广告收益与广告在不同的媒体上投放的相关数据，分别是在TV，Radio，Newspaper三种媒体上投放花费与，投放所产生的收益的数据，数据共有200条，数据的格式如下：

1.数据的载入

• 导入相关的包

1 import csv
2 import numpy as np
3 import matplotlib.pyplot as plt
4 import pandas as pd
5 from sklearn.model_selection import train_test_split
6 from sklearn.linear_model import LinearRegression

• 手写读取数据

 1 path = 'Advertising.csv'
 2 data = open(path)
 3 f = open(path)
 4 x = []
 5 y = []
 6 for i, d in enumerate(f):
 7     if i == 0:
 8         continue
 9     d = d.strip()
10     if not d:
11         continue
12     d = list(map(float, d.split(',')))
13     x.append(d[1:-1])
14     y.append(d[-1])
15 print(x)
16 print(y)
17 x = np.array(x)
18 y = np.array(y)    

• 文件路径表示

　　在python中，文件路径的表示有两种形式，既可以使用绝对路径，也可以使用相对路径。绝对路径为从盘符到文件所在目录的路径。相对路径即为相对于当前工作路径的位置，当前目录表示为: ./ ，当前目录的上一级目录表示为：../ 。在文件的路径表示时，python的当前工作路径是当前py文件所在的目录，并不是项目的根路径为当前工作路径，这一点区别与Java项目中的当前工作路径。所以在项目中表示文件路径需要注意这一点。

• enumerate()函数

　　enumerate()函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。当参数是文件可迭代对象时，返回的i当前迭代的序号，d为第i行的数据，数据类型是字符串。

　　strip()函数为去除字符串首位的空格。

 1 # Python自带库
 2 f = file(path, 'rb')
 3 d = csv.reader(f)
 4 for line in d:
 5     print line
 6 f.close()
 7 
 8 # numpy读入
 9 p = np.loadtxt(path, delimiter=',', skiprows=1)
10 print(p)
11 
12 # pandas读入
13 data = pd.read_csv(path)    # TV、Radio、Newspaper、Sales
14 x = data[['TV', 'Radio', 'Newspaper']]
15 y = data['Sales']

　　np.loadtxt(path, delimiter=',', skiprows=1)函数，delimiter为指定数据的分割符，skiprows指定忽略读取的行数目。

2.绘制散点图分析相关性

 1 plt.figure(figsize=(9,12))
 2 plt.subplot(311)
 3 plt.plot(data['TV'], y, 'ro')
 4 plt.title('TV')
 5 plt.grid()
 6 plt.subplot(312)
 7 plt.plot(data['Radio'], y, 'g^')
 8 plt.title('Radio')
 9 plt.grid()
10 plt.subplot(313)
11 plt.plot(data['Newspaper'], y, 'b*')
12 plt.title('Newspaper')
13 plt.grid()
14 plt.tight_layout()
15 plt.show()

　　结合上述散点图，我们不难发现，Newspaper与Sales之间的相关性是不明显的。

 

3.构建线性回归模型

1 x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1)
2 linreg = LinearRegression()
3 model = linreg.fit(x_train, y_train)
4 print(model)
5 print(linreg.coef_)
6 print(linreg.intercept_)

train_test_split()函数
train_test_split()函数的作用为对数据集进行划分，返回的是训练数据与预测数据，函数的参数如下：

arrays：可以是列表、numpy数组、scipy稀疏矩阵或pandas的数据框

test_size：可以为浮点、整数或None，默认为None

　　①若为浮点时，表示测试集占总样本的百分比 ②若为整数时，表示测试样本样本数 ③若为None时，test size自动设置成0.25

train_size：可以为浮点、整数或None，默认为None

　　①若为浮点时，表示训练集占总样本的百分比 ②若为整数时，表示训练样本的样本数 ③若为None时，train_size自动被设置成0.75

random_state：可以为整数、RandomState实例或None，默认为None

　　①若为None时，每次生成的数据都是随机，可能不一样 ②若为整数时，每次生成的数据都相同

stratify：可以为类似数组或None

　　①若为None时，划分出来的测试集或训练集中，其类标签的比例也是随机的 ②若不为None时，划分出来的测试集或训练集中，其类标签的比例同输入的数组中类标签的比例相同，可以用于处理不均衡的数据集

linreg.coef_多元变量前的系数，

linreg.intercept_回归模型的截距

4.模型的预测及评价

 1 y_hat = linreg.predict(np.array(x_test))
 2 mse = np.average((y_hat - np.array(y_test)) ** 2)  # Mean Squared Error
 3 rmse = np.sqrt(mse)  # Root Mean Squared Error
 4 print(mse, rmse)
 5 
 6 t = np.arange(len(x_test))
 7 plt.plot(t, y_test, 'r-', linewidth=2, label='Test')
 8 plt.plot(t, y_hat, 'g-', linewidth=2, label='Predict')
 9 plt.legend(loc='upper right')
10 plt.grid()
11 plt.show()

 

模型的输出结果：

使用均方差函数进行模型的评价：MSE：1.973.4，RMSE：1.404

绘制预测值与实际值曲线：

转载于:https://www.cnblogs.com/baby-lily/p/10633474.html