这里写目录标题

1、基础知识1.1、数据建模1.2、随机种子 2、线性回归模型2.1、简单线性回归 3、回归模型评估（判断模型预测结果如何）

1、基础知识

1.1、数据建模

模型简单理解为1个函数，通过测试集训练出模型，然后对未知值进行预测

1.2、随机种子

所有的随机数都是伪随机，种子相同，随机数就相同 np.random.seed(3)random_state 随机种子 train_test_split(X,y,test_size=0.25,random_state=0), 其中random_state用于打乱样本顺序，设置为0（任意值都可以，固定就好）为了排除在调整超参数建立模型的时候，顺序对模型的影响线性回归的结果为了损失最小（∑（实际y-预测y））

bais：偏置 weight：权重

2、线性回归模型

2.1、简单线性回归

代码验证，鸢尾花数据集为例，使用花瓣长度与宽度，实现简单线性回归

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.datasets import load_iris plt.rcParams['font.family'] = 'SimHei'## 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False ## 用来正常显示负号 #设置小数点后精度为2，默认为8 np.set_printoptions(precision=2) iris=load_iris() #print(iris.data[:,2]) #print(iris.data[:,2].reshape(-1,1)) X,y=iris.data[:,2].reshape(-1,1),iris.data[:,3] X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=0) #LinearRegression的因变量x需要时二维数组 lr=LinearRegression() #lr.fit进行拟合 lr.fit(X_train,y_train) print('权重',lr.coef_) print('截距',lr.intercept_) #进行预测 y_hat=lr.predict(X_test) print('预测值',y_hat) print('实际值',y_test) #help(train_test_split) #画图展示 plt.figure(figsize=(20,8),dpi=80) plt.scatter(X_test,y_test,color='green',marker='D',label='测试集') plt.scatter(X_train,y_train,color='orange',label='训练集') plt.plot(X,lr.predict(X),'r-') plt.legend() plt.show()

观察实际值与预测值得差异

plt.figure(figsize=(15,6),dpi=80) plt.plot(y_test,color='r',marker='o',label='真实数据') plt.plot(y_hat,ls='--',color='g',marker='o',label='预测数据') plt.legend() plt.xlabel('序号') plt.ylabel('数据值')

3、回归模型评估（判断模型预测结果如何）

有以下四个指标：

MSERMSEMAER²

MSE(Mean Squared Error)：平均平方误差，是所有样本数据误差(真实值与预测值之差)的平方和取均值

RMSE(Root Mean Squared Error)：平均平方误差的平方根，在MSE基础上取平方根

MAEX(Mean Absolute Error)：平均绝对值误差，是所有样本数据误差的绝对值和

R²最常用

from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score print("MSE:{}".format(mean_squared_error(y_test,y_hat))) print("RMSE：{}".format(np.sqrt(mean_squared_error(y_test,y_hat)))) print("MAE：{}".format(mean_absolute_error(y_test,y_hat))) # score：求解R^2的值，r2_score与score方法都能求R^2的值，但是其传递的参数不同 print("训练集R^2：{}".format(r2_score(y_train,lr.predict(X_train)))) print("测试集R^2：{}".format(r2_score(y_test,lr.predict(X_test)))) print("训练集R^2：{}".format(lr.score(X_train,y_train))) print("测试集R^2：{}".format(lr.score(X_test,y_test)))