python--线性回归
2024-10-22 05:17:01
首先先安装要用到的包:sklearn,顾名思义机器学习包
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn import datasets, linear_model
data = pd.read_csv('C://Users//leon//Desktop//CCPP.csv') #导入数据
data.head()
data.shape
X = data[['AT', 'V', 'AP', 'RH']] #用AT, V,AP和RH这4个列作为样本特征
y = data[['PE']]
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
print (X_train.shape)
print (y_train.shape)
print (X_test.shape)
print (y_test.shape) #训练
from sklearn.linear_model import LinearRegression
linreg = LinearRegression() #建立模型
linreg.fit(X_train, y_train)
print (linreg.intercept_) #输出模型常量
print (linreg.coef_) #自变量系数
y_pred = linreg.predict(X_test)
from sklearn import metrics
print ("MSE:",metrics.mean_squared_error(y_test, y_pred)) # 通过MSE值进行模型检验
from sklearn.model_selection import cross_val_predict
predicted = cross_val_predict(linreg, X, y, cv=10)
fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show() #作图观察
通过训练数据集进行预测
最新文章
- 登录(ajax提交数据和后台校验)
- vim的高亮查找操作
- tomcat accesslog日志扩展
- 解决Android与服务器交互大容量数据问题
- MySQL 重装
- AdminLTE-2.2.0 学习
- 8.4 H5知识点总结
- strlen
- 如何在Webstorm中添加js库 (青瓷H5游戏引擎)
- git误commit大文件导致不能push问题解决
- QT之两种模态对话框的调用
- Servlet(六):连接数据库,完整的CRUD
- codeforces749B
- 《Kafka权威指南》读书笔记-操作系统调优篇
- 【jQuery Demo】图片切换效果整理
- keras 分类回归 损失函数与评价指标
- CentOS7安装MySQL冲突和问题解决小结
- JSP中文乱码问题终极解决方案
- GPUImage API文档之GLProgram类
- 零基础的人怎么学习Java