python--简单线性回归
新年第一篇
有些敷衍
1.1jupyter notebook
Insert->Insert Cell Below 添加格子；
Cell->Run Cell 运行代码；
Help->Keyboard Shortcuts 快捷键；
编辑->Markdown语法；
2.简单线性回归
线性：经过模型训练，得到自变量和因变量之间是线性关系
回归：根据已知的输入输出的到模型，根据模型进行输入，得到连续的输出
这种关系用于预测未来事件的结果；
线性回归使用数据点之间的关系在所有数据点之间画一条直线，这条线可以用来预测未来的值；
r 平方值（r-squared）的范围是 0 到 1，其中 0 表示不相关，而 1 表示 100％ 相关；（糟糕的拟合度比如0.013 表示关系很差，并告诉我们该数据集不适合线性回归）；
回归方程：y=c+m1x1+m2x2+mm*xn（m1是第一个特征，mn是第n个特征）
优点：在数据量大的情况下速度依然很快，不需要很复杂的计算，可以根据系数给出每个变量的理解和解释；
缺点：不能很好地拟合非线性数据，所以需要先判断变量之间是否是线性关系；
2.1
import matplotlib.pyplot as plt
from scipy import stats
//导入需要的模块
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
//数据
slope, intercept, r, p, std_err = stats.linregress(x, y)
//返回一些重要的键值，例：print（r）可以看拟合度
def myfunc(x):
return slope * x + intercept
//一个返回相对应x的值将在y轴上放置的新值的函数
mymodel = list(map(myfunc, x))
//产生一个新的数组，其中y轴具有新值
plt.scatter(x, y)//绘制原始散点图
plt.plot(x, mymodel)//绘制线性规划线
plt.show()//显示图
2.2 多元回归
import pandas
df = pandas.read_csv(r"C:\Users\罗依婧\Desktop\meeee\cars.csv")
X = df[['Weight','Volume']]
y = df['CO2']//通常，将独立值列表命名为大写X，将相关值列表命名为小写y
from sklearn import linear_model
regr = linear_model.LinearRegression()
regr.fit(X,y)
predictedCO2 = regr.predict([[2300,1300]])
print(predictCO2)
print(regr.coef_)
从图中可得：如果一辆配备 1300ccm 发动机的汽车重 2300 千克，则二氧化碳排放量将约为 107g
如果重量增加 1g，则 CO2 排放量将增加 0.00755095g。
如果发动机尺寸（容积）增加 1 ccm，则 CO2 排放量将增加 0.00780526g
2.3 价格预测：
根据面积预测总价
import numpy as np
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
//导入模块
x = np.array([6,16,26,36,46,56]).reshape((-1,1))
y = np.array([4,23,10,12,22,35])
plt.scatter(x,y)
plt.show()
//导入数据并绘制散点图
model = LinearRegression().fit(x,y)//创建模块并拟合
r_sq = model.score(x,y)
print('确定系数:',r_sq)//评估模型
print('截距:',model.intercept_)
print('斜率:',model.coef_)
y_pred = model.predict(x)
print('预测结果:',y_pred,sep = '\n')//获取模型中的参数
