目录
1. 多项式回归
2. 训练和测试
3. 多元回归
多项式回归
- 如果您的数据点显然不适合线性回归(穿过数据点之间的直线),那么多项式回归可能是理想的选择。
- 像线性回归一样,多项式回归使用变量 x 和 y 之间的关系来找到绘制数据点线的最佳方法。
- Python 有一些方法可以找到数据点之间的关系并画出多项式回归线。我将向您展示 如何使用这些方法而不是通过数学公式。
举个例子吧! - polyfit(x,y,p) 返回由x,y构建的多项式系数
- poly1d(reg) reg指多项式系数,来构建一个函数
- polyvall(reg,x)传入多项式系数和x,来计算y
import matplotlib.pyplot as plt
import numpy as np
xu = np.random.rand(50) * 4 * np.pi - 2 * np.pi
def f(x):
return np.sin(x) + 0.5 * x
yu = f(xu)
plt.figure(figsize=(8, 4))
reg = np.polyfit(xu, yu, 5)
a = np.poly1d(reg)
ry = a(xu)
plt.plot(xu, yu, 'b^', label='f(x)')
plt.plot(xu, ry, 'r.', label='regression')
plt.legend(loc=0)
plt.show()
训练和测试
什么是训练/测试
训练/测试是一种测量模型准确性的方法。
之所以称为训练/测试,是因为我们将数据集分为两组:训练集和测试集。
80% 用于训练,20% 用于测试。
您可以使用训练集来训练模型。
您可以使用测试集来测试模型。
训练模型意味着创建模型。
测试模型意味着测试模型的准确性。
多元回归
import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Weight', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)
Original: https://blog.csdn.net/qq_62118538/article/details/121913843
Author: 你的光明与黑暗
Title: 机器学习简述
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/630947/
转载文章受原作者版权保护。转载请注明原作者出处!