本文主要是介绍Python机器学习之简单线性回归分析，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

简单线性回归

​ 这一节我们来介绍一下最广为人知的线性回归模型——将数据拟合成一条直线。直线方程为：y = ax + b,其中a是直线的斜率,b是直线的截距。

数据分析

首先导入常用的数据库：

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
import numpy as np

接下来，我们将直线方程的斜率定为2，截距定为5来进行实验。

#np.random.RandomState()是伪随机数发生器,会产生一个随机状态的种子
#RandomState(1)是将种子设置为1,只要种子相同,产生的随机数序列就是相同的。
rng = np.random.RandomState(1)
#将随机数赋给rng
x = 10 * rng.rand(50)
#rand(50)返回50个一维数组,即50个随机数
y = 2 * x - 5 + rng.randn(50)
#randn函数返回50个随机数,且具有标准正态分布。
plt.scatter(x,y);
#生成一个散点图

线性回归数据图如下：

拟合数据

下一步我们用Scikit-Learn的LinearRegression评估器来拟合数据, 并获得最佳拟合直线。我们的操作步骤分为以下几步：

1.建立线性回归评估器

from sklearn.linear_model import LinearRegression
#线性回归，安装scikit-learn包
model = LinearRegression(fit_intercept=True)
#LinearRegression → 线性回归评估器,用于拟合数据得到拟合直线fit_intercept参数为True代表计算截距

2.拟合直线

model.fit(x[:, np.newaxis], y)
#model.fit(x,y) → 拟合直线，参数分别为x与y
#x[:,np.newaxis] → 将数组变成(n,1)形状

3.创建测试数据

xfit = np.linspace(0,10,1000)
# 这是将0到10内的数分成1000份
yfit = model.predict(xfit[:, np.newaxis])
# 创建测试数据xtest，并根据拟合曲线求出ytest
# model.predict → 预测

4.生成数据图

plt.scatter(x,y)
#生成一个散点图
plt.plot(xfit,yfit);
#生成直线

最终生成的线性回顾模型图如下：

这篇关于Python机器学习之简单线性回归分析的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！