机器学习中的线性回归模型在python中的掉包使用（代码分析）

pythonCopy code
import numpy as np

random_array = np.random.rand(5) #生成包含 5 个元素的随机数组

print(random_array)

• Python中的Scikit-learn（sklearn）包中的linear模块时，可以进行许多线性回归和分类任务。下面是一个简单的例子，展示如何使用linear模块来拟合一个线性回归模型。
• 第一步，是导入相关python包。

import numpy as np //矩阵包，用于处理多组必要数据
import matplotlib.pyplot as plt//matlab绘图实验室包，用于将结果可视化
from sklearn.linear_model import LinearRegression//基本线性回归模型包，sklearn

• 接着，需要对于输入参数进行模拟，此处使用random伪随机数（时间）进行模拟，相关代码如下：

#生成模拟数据
np.random.seed(0)
x = np.random.rand(100, 1)
y = 2 + 3 * x + np.random.randn(100, 1)

 下分化线为对出现的函数做的解释

---

上处调用了np.random.rand() 函数

当您需要生成一些随机数的时候，可以使用 NumPy 库的 np.random.rand() 函数。

np.random.rand() 函数可以用来生成指定维度的随机数组。具体来说，这个函数可以接受一个或多个整数参数，用来指定生成随机数组的维度。例如，如果您想生成一个一维的随机数组，可以使用以下代码：

pythonCopy code
import numpy as np

random_array = np.random.rand(5) #生成包含 5 个元素的随机数组

print(random_array)

 输出结果可能如下所示（由于是随机数，每次运行结果都会有所不同）：

csharpCopy code
[0.43543224 0.92094327 0.69310049 0.22324618 0.56398409]

除了一维数组之外，您还可以使用 np.random.rand() 函数来生成多维的随机数组。例如，以下代码可以生成一个 3 行 4 列的二维随机数组：

pythonCopy code
import numpy as np

random_array = np.random.rand(3, 4) #生成 3 行 4 列的二维随机数组

print(random_array)

需要注意的是，np.random.rand() 函数生成的随机数取值范围是 [0, 1)，也就是包含 0，但不包含 1。如果您需要生成其他范围内的随机数，可以考虑使用其他 NumPy 库中的随机数函数。

---

• 其中我们对x产生长度为（100，1）的随机数，对应的x我们使用高斯噪音生成，也就是常说的正态分布如上方代码中，其含义就是聚集于2+3*x的一些散点，这些散点趋于正态分布。
• 做完这些工作以后，便可进行拟合，拟合包中具体过程使用了梯度下降法(高等数学)，分别并同时求偏导，通俗的理解就是“婴儿下山的道路”，其宗旨是找极小值点，故一个多元代价函数是不止一个极小值点，有些时候是找不到最小值点的。拟合代码如下：

#创建一个线性回归对象
lr = LinearRegression()

#拟合模型
lr.fit(x, y)

• 做完上方工作以后，我们已经拥有了一个线性回归模型，接下来便可对后来的点进行相关预测，其代码如下：

#生成新的数据点
x_new = np.array([[0.5]])

#使用模型进行预测
y_new = lr.predict(x_new)

print(y_new)

• 后可将结果可视化，代码如下：

#可视化数据和模型
plt.scatter(x, y)
plt.plot(x, lr.predict(x), color='red', linewidth=2)
plt.show()

• 生成图像为：

• 这便是机器学习学习的第一个模型，线性回归模型。
• 汇总代码如下：

  #生成模拟数据
  np.random.seed(0)
  x = np.random.rand(100, 1)
  y = 2 + 3 * x + np.random.randn(100, 1)
  在这个例子中，我们生成了一个随机的x向量，其形状为(100,1)，然后生成一个随机的y向量，其形状也为(100,1)。在这个例子中，y是通过将x乘以3并添加一个截距项来生成的，还添加了一些高斯噪声。
  
  现在我们可以使用LinearRegression类来拟合线性回归模型：
  
  python
  Copy code
  #创建一个线性回归对象
  lr = LinearRegression()
  
  #拟合模型
  lr.fit(x, y)
  现在，我们已经在我们的数据上拟合了一个线性回归模型。我们可以使用训练好的模型来预测新的数据点：
  
  python
  Copy code
  #生成新的数据点
  x_new = np.array([[0.5]])
  
  #使用模型进行预测
  y_new = lr.predict(x_new)
  
  print(y_new)
  这个模型的预测结果应该接近于2.5 + 3 * 0.5 = 4。
  
  我们还可以可视化模型的结果：
  
  python
  Copy code
  #可视化数据和模型
  plt.scatter(x, y)
  plt.plot(x, lr.predict(x), color='red', linewidth=2)
  plt.show()
  这将显示模拟数据和拟合模型的线性回归线。
  
  完整的代码如下：
  
  python
  Copy code
  import numpy as np
  import matplotlib.pyplot as plt
  from sklearn.linear_model import LinearRegression
  
  #生成模拟数据
  np.random.seed(0)
  x = np.random.rand(100, 1)
  y = 2 + 3 * x + np.random.randn(100, 1)
  
  #创建一个线性回归对象
  lr = LinearRegression()
  
  #拟合模型
  lr.fit(x, y)
  
  #生成新的数据点
  x_new = np.array([[0.5]])
  
  #使用模型进行预测
  y_new = lr.predict(x_new)
  
  print(y_new)
  
  #可视化数据和模型
  plt.scatter(x, y)
  plt.plot(x, lr.predict(x), color='red', linewidth=2)
  plt.show()