機器學習之有監督學習 回歸

#線性回歸.py

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
# 讀取資料集
datasets_x =
#房屋尺寸
datasets_y =
#房屋**
fr =
open
('prices.txt'
,'r'
)lines = fr.readlines(
)#一次性讀取檔案
for line in lines:
items = line.strip(
).split(
',')
#去除檔案中逗號
int(items[0]
))#將讀取的資料轉換為int型
int(items[1]
))length =
len(datasets_x)
#資料總數
datasets_x = np.array(datasets_x)
.reshape(
[length,1]
)#轉換為陣列，變為二維，以符合線性回歸擬合函式輸入引數要求
datasets_y = np.array(datasets_y)
#轉換為陣列
minx =
min(datasets_x)
maxx =
max(datasets_x)
x = np.arange(minx,maxx)
.reshape([-
1,1]
)#建立等差數列，方便畫圖
linear = linear_model.linearregression(
)#呼叫線性回歸模組，建立回歸方程，擬合資料
linear.fit(datasets_x, datasets_y)
# 影象中顯示
plt.scatter(datasets_x, datasets_y, color =
'red'
)#繪製資料點
plt.plot(x, linear.predict(x)
, color =
'blue'
)#繪製直線
#多項式回歸.py

import matplotlib.pyplot as plt
import numpy as np
from sklearn import linear_model
from sklearn.preprocessing import polynomialfeatures
# 讀取資料集
datasets_x =
#房屋尺寸
datasets_y =
#房屋**
fr =
open
('prices.txt'
,'r'
)lines = fr.readlines(
)#一次性讀取檔案
for line in lines:
items = line.strip(
).split(
',')
#去除檔案中逗號
int(items[0]
))#將讀取的資料轉換為int型
int(items[1]
))length =
len(datasets_x)
#資料總數
datasets_x = np.array(datasets_x)
.reshape(
[length,1]
)#轉換為陣列，變為二維，以符合線性回歸擬合函式輸入引數要求
datasets_y = np.array(datasets_y)
#轉換為陣列
minx =
min(datasets_x)
maxx =
max(datasets_x)
x = np.arange(minx,maxx)
.reshape([-
1,1]
)#建立等差數列，方便畫圖
poly_reg = polynomialfeatures(degree =2)
#degree=2表示建立datasets_x的二次多項式特徵x_poly
x_poly = poly_reg.fit_transform(datasets_x)
lin_reg_2 = linear_model.linearregression(
)lin_reg_2.fit(x_poly, datasets_y)
# 影象中顯示
plt.scatter(datasets_x, datasets_y, color =
'red'
)#繪製資料點
plt.plot(x, lin_reg_2.predict(poly_reg.fit_transform(x)
), color =
'blue'
)#繪製直線
plt.xlabel(
'area'
)plt.ylabel(
'price'
)plt.show(
)
 
機器學習 監督學習 （回歸）嶺回歸
1 嶺回歸 標準方程法 import numpy as np from numpy import genfromtxt import matplotlib.pyplot as plt 讀入資料 data genfromtxt r longley.csv delimiter 切分資料 x data d...
機器學習之監督學習 回歸
回歸問題和 分類問題的區別在於 其待 的目標是 連續變數 線性回歸器 如果面對訓練資料十分龐大的任務，隨機梯度法不論是在分類還是在回歸問題上都表現得十分高效，可以在不損失過多效能的前提下，節省大量計算時間 根據scikit learn官網的建議，如果資料規模超過10萬，推薦使用隨機梯度估計引數模型 ...
AI 機器學習 監督學習 邏輯回歸
邏輯回歸和線性回歸不太一樣，邏輯回歸做的是分類。其實和線性回歸都是廣義線性模型 generalizedlinear model 這一家族中的模型形式基本上都差不多，不同的就是因變數不同。這類監督學習的總體思路如下 1 確定 函式，就是樣本和 結果的大致關係的函式，線性回歸是線性方程或者多項式方程，邏...