Python监督学习：回归 Python监督学习：分类 Python逻辑编程 回归是最重要的统计和机器学习工具之一。我们说机器学习之旅从回归开始就没有错。它可以被定义为允许我们基于数据做出决策的参数技术，或者换句话说，允许我们通过学习输入和输出变量之间的关系来基于数据进行预测。这里，依赖于输入变量的输出变量是连续值实数。在回归中，输入和输出变量之间的关系很重要，它有助于我们理解输出变量的值如何随输入变量的变化而变化。回归经常用于预测价格，经济，变化等。 用Python构建回归量 在本节中，我们将学习如何构建单变量和多变量回归量。 线性回归器/单变量回归器 让我们重要一些必要的包 - import numpy as np from sklearn import linear_model import sklearn.metrics as sm import matplotlib.pyplot as plt 现在，我们需要提供输入数据，并将数据保存在名为linear.txt的文件中。 input = 'D:/ProgramData/linear.txt' 我们需要使用 np.loadtxt 函数加载这些数据。 input_data = np.loadtxt(input, delimiter=',') X, y = input_data[:, :-1], input_data[:, -1] 下一步是训练模型。让我们提供培训和测试样品。 training_samples = int(0.6 * len(X)) testing_samples = len(X) - num_training X_train, y_train = X[:training_samples], y[:training_samples] X_test, y_test = X[training_samples:], y[training_samples:] 现在，我们需要创建一个线性回归量对象。 reg_linear = linear_model.LinearRegression() 使用训练样本训练对象。 reg_linear.fit(X_train, y_train) 我们需要用测试数据进行预测。 y_test_pred = reg_linear.predict(X_test) 现在绘制并可视化数据。 plt.scatter(X_test, y_test, color = 'red') plt.plot(X_test, y_test_pred, color = 'black', linewidth = 2) plt.xticks(()) plt.yticks(()) plt.show() 输出 现在，我们可以计算线性回归的性能如下 - print("Performance of Linear regressor:") print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2)) print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2)) print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2)) print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred), 2)) print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2)) 输出 线性回归器的性能 - Mean absolute error = 1.78 Mean squared error = 3.89 Median absolute error = 2.01 Explain variance score = -0.09 R2 score = -0.09 在上面的代码中，我们使用了这个小数据。如果您想要一些大数据集，那么您可以使用sklearn.dataset导入更大的数据集。 2,4.82.9,4.72.5,53.2,5.56,57.6,43.2,0.92.9,1.92.4, 3.50.5,3.41,40.9,5.91.2,2.583.2,5.65.1,1.54.5, 1.22.3,6.32.1,2.8 多变量回归量 首先，让我们导入一些必需的包 - import numpy as np from sklearn import linear_model import sklearn.metrics as sm import matplotlib.pyplot as plt from sklearn.preprocessing import PolynomialFeatures 现在，我们需要提供输入数据，并将数据保存在名为linear.txt的文件中。 input = 'D:/ProgramData/Mul_linear.txt' 我们将使用 np.loadtxt 函数加载此数据。 input_data = np.loadtxt(input, delimiter=',') X, y = input_data[:, :-1], input_data[:, -1] 下一步是培训模型; 我们将提供培训和测试样品。 training_samples = int(0.6 * len(X)) testing_samples = len(X) - num_training X_train, y_train = X[:training_samples], y[:training_samples] X_test, y_test = X[training_samples:], y[training_samples:] 现在，我们需要创建一个线性回归量对象。 reg_linear_mul = linear_model.LinearRegression() 使用训练样本训练对象。 reg_linear_mul.fit(X_train, y_train) 现在，最后我们需要用测试数据进行预测。 y_test_pred = reg_linear_mul.predict(X_test) print("Performance of Linear regressor:") print("Mean absolute error =", round(sm.mean_absolute_error(y_test, y_test_pred), 2)) print("Mean squared error =", round(sm.mean_squared_error(y_test, y_test_pred), 2)) print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2)) print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred), 2)) print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2)) 输出 线性回归器的性能 - Mean absolute error = 0.6 Mean squared error = 0.65 Median absolute error = 0.41 Explain variance score = 0.34 R2 score = 0.33 现在，我们将创建一个10度的多项式并训练回归量。我们将提供示例数据点。 polynomial = PolynomialFeatures(degree = 10) X_train_transformed = polynomial.fit_transform(X_train) datapoint = [[2.23, 1.35, 1.12]] poly_datapoint = polynomial.fit_transform(datapoint) poly_linear_model = linear_model.LinearRegression() poly_linear_model.fit(X_train_transformed, y_train) print("\nLinear regression:\n", reg_linear_mul.predict(datapoint)) print("\nPolynomial regression:\n", poly_linear_model.predict(poly_datapoint)) 输出 线性回归 [2.40170462] 多项式回归 [1.8697225] 在上面的代码中，我们使用了这个小数据。如果您想要大数据集，则可以使用sklearn.dataset导入更大的数据集。 2,4.8,1.2,3.22.9,4.7,1.5,3.62.5,5,2.8,23.2,5.5,3.5,2.16,5, 2,3.27.6,4,1.2,3.23.2,0.9,2.3,1.42.9,1.9,2.3,1.22.4,3.5, 2.8,3.60.5,3.4,1.8,2.91,4,3,2.50.9,5.9,5.6,0.81.2,2.58, 3.45,1.233.2,5.6,2,3.25.1,1.5,1.2,1.34.5,1.2,4.1,2.32.3, 6.3,2.5,3.22.1,2.8,1.2,3.6 Python监督学习：分类 Python逻辑编程
