线性回归

线性回归(Linear Regression) 是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法

核心思想

sklearn 文档概述

简单线性回归 （一元线性回归）

找到一条直线，此直线到每个点的距离之和最小 ==> 最小二乘法（初中所学）

import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import LinearRegression ### 距离km x = [3.4, 1.8, 4.6, 2.3, 3.1, 5.5, 0.7, 3.0, 2.6, 4.3, 2.1, 1.1, 6.1, 4.8, 3.8] ### 价格 y = [26.2, 17.8, 31.3, 23.1, 27.5, 36.0, 14.1, 22.3, 19.6, 31.3, 24.0, 17.3, 43.2, 36.4, 26.1] x_in = np.array(x).reshape(-1,1) y_in = np.array(y).reshape(-1,1) lreg = LinearRegression() result = lreg.fit(x_in, y_in) b1 = result.coef_[0][0] b0 = result.intercept_[0] print(b1) print(b0) y_prd = lreg.predict(x_in) # 散点图 plt.scatter(x, y) plt.plot(x_in,y_prd,'m') plt.xlabel("km") plt.ylabel("rmb") plt.title("price") plt.show()

多元线性回归

import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import numpy as np from sklearn.linear_model import LinearRegression x = [[100,4],[50,3],[100,4],[100,2],[50,2],[80,2],[75,3],[65,4],[90,3],[90,2]] y = [9.3,4.8,8.9,6.5,4.2,6.2,7.4,6.0,7.6,6.1] x = np.array(x) y = np.array(y) lreg = LinearRegression() result = lreg.fit(x, y) # 权重值 b1 = result.coef_[0][0] # 偏置值 b0 = result.intercept_[0] print(b1) print(b0)