ML---Simple Linear Regression

机器学习100天系列学习笔记机器学习100天(中文翻译版)机器学习100天(英文原版）

第一步：导包

#Step 1: Data Preprocessing
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

第二步：导入数据

# 28个样本
dataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-ML-Code-中文版本/100-Days-Of-ML-Code-master/datasets/studentscores.csv')
X = dataset.iloc[ : , :-1].values
Y = dataset.iloc[ : , 1 ].values

第三步：划分训练集、测试集

#Step 3: Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)

第四步：简单线性回归拟合

#Step 4: Fitting Simple Linear Regression Model to the training set
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

第五步：预测

#Step 5: Predecting the Result
Y_pred = regressor.predict(X_test)

第六步：训练集可视化

#Step 6: Visualising the Training results
plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')
plt.show()

第七步：测试集可视化

#Step 7: Visualizing the test results
plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')
plt.show()

第八步：回归性能指标

#Step 8: regression evaluation
from sklearn.metrics import r2_score
y_pred = regressor.predict(X_test)
print(r2_score(Y_test, y_pred))

打印：0.30574547147699993

R2 决定系数（拟合优度），模型越好：r2→1；模型越差：r2→0

完整代码：

#Day 2: Simple Linear Regression 2022/4/5
#Step 1: Data Preprocessing
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt#Step 2: Importing dataset
#28个样本
dataset = pd.read_csv('D:/daily/机器学习100天/100-Days-Of-ML-Code-中文版本/100-Days-Of-ML-Code-master/datasets/studentscores.csv')
X = dataset.iloc[ : , :-1].values
Y = dataset.iloc[ : , 1 ].values#Step 3: Splitting the dataset into the Training set and Test set
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X, Y, test_size = 1/4, random_state = 0)#Step 4: Fitting Simple Linear Regression Model to the training set
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)#Step 5: Predecting the Result
Y_pred = regressor.predict(X_test)#Step 6: Visualising the Training results
plt.scatter(X_train , Y_train, color = 'red')
plt.plot(X_train , regressor.predict(X_train), color ='blue')
plt.show()#Step 7: Visualizing the test results
plt.scatter(X_test , Y_test, color = 'red')
plt.plot(X_test , regressor.predict(X_test), color ='blue')
plt.show()#Step 8: regression evaluation
from sklearn.metrics import r2_score
y_pred = regressor.predict(X_test)
print(r2_score(Y_test, y_pred))

ML---Simple Linear Regression相关推荐

简单线性回归（Simple Linear Regression）和多元线性回归（Multiple Regression）学习笔记
简单线性回归(Simple Linear Regression) 0.前提介绍: 为什么需要统计量? 统计量:描述数据特征 0.1集中趋势衡量 0.1.1均值(平均数,平均值) (mean):(求和除 ...
浅谈简单线性回归(Simple linear regression)part3SEE,MSE,SSE的关系
浅谈简单线性回归(Simple linear regression)part3SEE,MSE,SSE的关系 MSE→均方根误差(各数据偏离真实值差值的平方和的平均数 )→Meansquared e ...
浅谈简单线性回归(Simple linear regression)part1原理推导
初等数学➡已知方程求未知数高等数学→已知未知数,求方程(从数据中获得结论) 那么今天就从里面最简单的线性回归(Simple linear regression)开始学起最简单的理解就是通过一些列运 ...
ML - 线性回归（Linear Regression）
文章目录关于线性回归线性回归特点和 kNN 图示的区别简单线性回归算法原理如何求解机器学习算法? 编程实现简单线性回归向量化运算封装线性回归类评估方法向量化运算的性能测试线性回归 ...
【cs229-Lecture2】Linear Regression with One Variable (Week 1)(含测试数据和源码)
从Ⅱ到Ⅳ都在讲的是线性回归,其中第Ⅱ章讲得是简单线性回归(simple linear regression, SLR)(单变量),第Ⅲ章讲的是线代基础,第Ⅳ章讲的是多元回归(大于一个自变量). 本文的 ...
机器学习-线性回归（Linear Regression）
目录 1.什么是线性回归 2. 能够解决什么样的问题 3. 一般表达式是什么 4. 如何计算 4.1 Loss Function--MSE 4.2 标准方程方法 5. 过拟合问题如何解决 5.1 什么 ...
ML Notes: Week 2 - Multivariate Linear Regression
1. The basic theory of the multivariate linear regression Hypothesis: hθ(x)=θ0x0+θ1x1+-+θnxn=θTXh_\t ...
李宏毅 2020 ML Homework 1: Linear Regression
(注:本文转载自GitHub:https://github.com/Iallen520/lhy_DL_Hw) (所有作业的数据,链接:https://pan.baidu.com/s/1m1QbhrzK ...
ML Notes: Week 1 - Univariate Linear Regression
1. The Basic Theory Hypothesis: hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x Parameters ...

ML---Simple Linear Regression

第一步：导包

第二步：导入数据

第三步：划分训练集、测试集

第四步：简单线性回归拟合

第五步：预测

第六步：训练集可视化

第七步：测试集可视化

第八步：回归性能指标

ML---Simple Linear Regression相关推荐

最新文章

热门文章