机器学习 |
您所在的位置：网站首页 › 求拟合直线的目的 › 机器学习 |
机器学习
|
什么是机器学习？ 百度百科上说：“机器程序从经验E中学习解决某一任务T进行某一性能度量P，通过P测定在T上的表现因经验而提高。” 我自己认为机器学习就是让机器用现有的数据和算法，得出参数。从而得到可以直接使用的模型。 机器学习一般可以分为两类：有监督学习和无监督学习。 那什么是线性回归呢？线性回归是一种x和y之间的关系为线性关系的回归分析，而回归分析就是一种因变量为连续值得监督学习。 用数据拟合一条直接是线性数据回归模拟最简单的形式了。所以要从最简单的一元线性回归开始学习。 问题用所学知识用下面数据获得最佳拟合直线（如下图）
可以用Scikit-Learn的LinearRegression评估器来拟合数据, 并获得最佳拟合直线。 二、使用步骤 1.引入库代码如下： from sklearn.linear_model import LinearRegression #线性回归，导入scikit-learn包 2.创建模拟代码如下： model = LinearRegression(fit_intercept=True) #创建一个类的实例LinearRegression，它将代表回归模型。fit_intercept参数为True代表计算截距 3.创建测试数据代码如下： model.fit(x[:,np.newaxis],y) #model.fit()中x，y和模拟定义时的inputs，outputs形状一致 #np.newaxis->插入新维度，假如x是一个（5，）的数组，x[:,np.newaxis]->就变为（5，1）的二维数组 xfit = np.linspace(0,10,1000) #即，将0-10分成1000份 yfit = model.predict(xfit[:,np.newaxis]) #model.predict输入测试数据，预测结果 4.生成最佳拟合直线代码如下： plt.scatter(x,y) #生成一个散点图 plt.plot(xfit,yfit); #生成拟合直线图片如下： 代码如下： print(model.coef_[0]) #查看拟合直线的斜率 print(model.intercept_) #查看拟合直线的截距
结果如下：
拟合结果与真实值非常接近 总结 以上就是拟合一条线性直线的讲解（如果对你理解线性回归确实有帮助的话，帮忙点个赞，同时也欢迎指出问题） |
【本文地址】