100-Days-Of-ML-Code Day2 简单线性回归模型

简单线性回归模型|第2天

Steps

Datasets

	Hours	Scores
0	2.5	21
1	5.1	47
2	3.2	27
3	8.5	75
4	3.5	30
5	1.5	20
6	9.2	88
7	5.5	60
8	8.3	81
9	2.7	25
10	7.7	85
11	5.9	62
12	4.5	41
13	3.3	42
14	1.1	17
15	8.9	95
16	2.5	30
17	1.9	24
18	6.4	67
19	7.4	69
20	2.7	30
21	4.8	54
22	3.8	35
23	6.9	76
24	7.8	86

Code

第1步：数据预处理

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[:,:1].values
Y = dataset.iloc[:,1].values

from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size = 1/4,random_state = 0)

第2步：训练集使用简单线性回归模型来训练

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
#普通最小二乘线性回归LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)
#fit_intercept是否计算此模型的借距
#normalize设置为False 时，将忽略此参数。如果为True，则回归量X将在回归之前通过减去平均值并除以l2范数来归一化
#如果为True，则将复制X; 否则，它可能会被覆盖
#n_jobs设定工作的core数量
regressor = regressor.fit(X_train,Y_train)

第3步：预测结果

Y_pred = regressor.predict(X_test)

第4步：可视化

训练集结果可视化

plt.scatter(X_train,Y_train,color = 'red')#根据数组绘制散点图
plt.plot(X_train,regressor.predict(X_train),color = 'blue')#绘制坐标图
plt.show()

测试集结果可视化

plt.scatter(X_test,Y_test,color = 'red')
plt.plot(X_test,Y_pred,color = 'blue')
plt.show()