建站
咨詢
售后
建站咨詢
新聞中心
我準(zhǔn)備使用scikit-learn給大家介紹一些模型的基礎(chǔ)知識，今天就來講講線性回歸模型。
10多年的渝中網(wǎng)站建設(shè)經(jīng)驗，針對設(shè)計、前端、開發(fā)、售后、文案、推廣等六對一服務(wù)，響應(yīng)快，48小時及時工作處理。成都全網(wǎng)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動調(diào)整渝中建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計，從而大程度地提升瀏覽體驗。創(chuàng)新互聯(lián)建站從事“渝中網(wǎng)站設(shè)計”,“渝中網(wǎng)站推廣”以來，每個客戶項目都認(rèn)真落實執(zhí)行。
1. 準(zhǔn)備
開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上噢，如果沒有，請訪問這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda
Windows環(huán)境下打開Cmd(開始—運行—CMD)，蘋果系統(tǒng)環(huán)境下請打開Terminal(command+空格輸入Terminal)，準(zhǔn)備開始輸入命令安裝依賴。
當(dāng)然，我更推薦大家用VSCode編輯器，把本文代碼Copy下來，在編輯器下方的終端運行命令安裝依賴模塊，多舒服的一件事啊：Python 編程的最好搭檔—VSCode 詳細(xì)指南。
在終端輸入以下命令安裝我們所需要的依賴模塊：
- pip install scikit-learn
2.簡單的訓(xùn)練集
冬天快到了，深圳這幾天已經(jīng)準(zhǔn)備開始入冬了。
從生活入手，外界溫度對是否穿外套的影響是具有線性關(guān)系的：
現(xiàn)在，考慮這樣的一個問題：如果深圳的溫度是12度，我們應(yīng)不應(yīng)該穿外套?
這個問題很簡單，上述簡單的訓(xùn)練集中，我們甚至不需要機器學(xué)習(xí)就能輕易地得到答案：應(yīng)該。但如果訓(xùn)練集變得稍顯復(fù)雜一些呢：
你能看出其中x1, x2, x3和y之間的規(guī)律嗎?
比較難，但是如果你有足夠的數(shù)據(jù)(比如100個)，機器學(xué)習(xí)能夠迅速解決這個問題。
為了方便展示機器學(xué)習(xí)的威力，我們在這里生產(chǎn)100個這樣的訓(xùn)練集(公式為: y=x1 + 2*x2 + 3*x3)：
- from random import randint
- TRAIN_SET_LIMIT = 1000
- TRAIN_SET_COUNT = 100
- TRAIN_INPUT = list()
- TRAIN_OUTPUT = list()
- for i in range(TRAIN_SET_COUNT):
- a = randint(0, TRAIN_SET_LIMIT)
- b = randint(0, TRAIN_SET_LIMIT)
- c = randint(0, TRAIN_SET_LIMIT)
- op = a + (2*b) + (3*c)
- TRAIN_INPUT.append([a, b, c])
- TRAIN_OUTPUT.append(op)
然后讓線性回歸模型使用該訓(xùn)練集(Training Set)進(jìn)行訓(xùn)練(fit)，然后再給定三個參數(shù)(Test Data)，進(jìn)行預(yù)測(predict)，讓它得到y(tǒng)值(Prediction)，如下圖所示。
3. 訓(xùn)練和測試
為什么我使用sklearn?因為它真的真的很方便。像這樣的訓(xùn)練行為，你只需要3行代碼就能搞定：
- from sklearn.linear_model import LinearRegression
- predictor = LinearRegression(n_jobs=-1)
- predictor.fit(X=TRAIN_INPUT, y=TRAIN_OUTPUT)
需要注意線性回歸模型(LinearRegression)的參數(shù):
n_jobs：默認(rèn)為1，表示使用CPU的個數(shù)。當(dāng)-1時，代表使用全部CPU
predictor.fit 即訓(xùn)練模型，X是我們在生成訓(xùn)練集時的TRAIN_INPUT，Y即TRAIN_OUTPUT.
訓(xùn)練完就可以立即進(jìn)行測試了，調(diào)用predict函數(shù)即可：
- X_TEST = [[10, 20, 30]]
- outcome = predictor.predict(X=X_TEST)
- coefficients = predictor.coef_
- print('Outcome : {}\nCoefficients : {}'.format(outcome, coefficients))
這里的 coefficients 是指系數(shù)，即x1, x2, x3.
得到的結(jié)果如下：
- Outcome : [ 140.]
- Coefficients : [ 1. 2. 3.]
驗證一下：10 + 20*2 + 30*3 = 140 完全正確。
如何，機器學(xué)習(xí)模型，用起來其實真的沒你想象中的那么難，大部分人很可能只是卡在了安裝 scikit-learn 的路上...
順便給大家留個小練習(xí)，將下列歐式距離，使用線性回歸模型進(jìn)行表示。
解決思路和本文的方案其實是類似的，只不過需要變通一下。
分享題目：Python 用5行代碼學(xué)機器學(xué)習(xí)—線性回歸
瀏覽路徑：http://m.5511xx.com/article/dpjpsji.html
