學習筆記，機器學習A-Z

機器學習A-Z_Part 2-1 簡單線性回歸

Linear Regression

簡單線性回歸，以2維為例，在平面中找出一條最佳的直線y = ax+b ，對每一組數據的距離合(平方和)為最小，即為Linear Regression。

依照Part 1的 數據預處理章節中，處理完數據後，我們接著要開始做基本的數據分析工作了，

第一步：

首先我們先導入要用到的packege，程式如下：

from sklearn.linear_model import LinearRegression
re = LinearRegression()
re.fit(X_train, Y_train)

上面的程式第二句我們先創了一個re = LinearRegression()，代表新增了一個re的class，這個class可以使用LinearRegression內的所有程式代碼，接下來所有章節所導入的程式都將會用這種方式來使用。

因此第三句程式碼我們直接使用fit的功能，第一個變數為X_train，第二個變數為Y_train。

以上程式跑完，將會自動擬合出符合數據集的最佳線性回歸公式。

第二步:

將擬合好的LinearRegression結果導入測試集驗證結果

y_pred = re.predict(X_test)

接著我們就可以呼叫出y_pred來與y_test中的數據做比較。

以上就是Linear Regression在python中的內容，那如果要視覺化我們擬合的成果，可以繼續往第三步。

第三步：

為了視覺化所有的數據跟擬合結果，我們會用到matplotlib.pyplot 中的 plt，因此在程式開頭我們就會導入

import matplotlib.pyplot as plt

接著視覺化的程式代碼如下：

# Visualising the Training set results將數據視覺化
plt.scatter(X_train, Y_train, color = 'red')
plt.plot(X_train, re.predict(X_train), color = 'blue')
plt.title('Salary VS Experience (training set)')
plt.xlabel('Year of Experience')
plt.ylabel('Salary')
plt.show()   #需與前面plt一同執行才會顯示這次

# Visualising the test set results將數據視覺化
plt.scatter(X_test, Y_test, color = 'red')
plt.plot(X_train, re.predict(X_train), color = 'blue')
plt.title('Salary VS Experience (test set)')
plt.xlabel('Year of Experience')
plt.ylabel('Salary')
plt.show()   #需與前面plt一同執行才會顯示這次

那整個完整的Linear Regression分析就到這邊。

發表留言