#開啟檔案，獲取資料
import sys
import numpy as np
from sklearn.linear_model import linearregression
import sklearn.metrics as sm
import matplotlib.pyplot as plt
x =
y =
f = open('e:\machinelearning\codebook\data_singlevar.txt', 'r')#開啟檔案
lines = f.readlines() #一次性按行把所有資料讀取出來
for line in lines: #逐行讀取檔案
#print(line) #列印一行資料
xt, yt = [float(i) for i in line.split(',')]#逗號分隔字段，並將字段轉化為浮點數
#劃分資料為訓練集與驗證集
num_training = int(0.8*len(x))
num_test = len(x) - num_training
#訓練資料,80%的資料是訓練資料
x_train = np.array(x[:num_training]).reshape(num_training, 1)
y_train = np.array(y[:num_training])
#測試資料，20%的資料是測試資料
x_test = np.array(x[num_training:]).reshape(num_test, 1)
y_test = np.array(y[num_training:])
#訓練模型
linear_regressor = linearregression()
linear_regressor.fit(x_train, y_train)
y_predict = linear_regressor.predict(x_train)
y_test_predict = linear_regressor.predict(x_test)
print('the score of linearregressor is:',linear_regressor.score(x_test, y_test))
#繪圖plt.figure()
plt.scatter(x_train, y_train, color = 'green')
plt.plot(x_train, y_predict, color = 'black', linewidth = 4)
plt.title('traning data')
plt.show()
plt.scatter(x_test, y_test, color = 'green')
plt.plot(x_test, y_test_predict, color = 'black', linewidth = 4)
plt.title('test data')
plt.show()
#計算回歸準確性
print('mean absolute error = ', round(sm.mean_absolute_error(y_test, y_test_predict)), 2)
print('mean squared error = ', round(sm.mean_squared_error(y_test, y_test_predict)), 2)
print('median absolute error = ', round(sm.median_absolute_error(y_test, y_test_predict)), 2)
機器學習 線性回歸
可以說基本上是機器學習中最簡單的模型了，但是實際上其地位很重要 計算簡單 效果不錯，在很多其他演算法中也可以看到用lr作為一部分 先來看乙個小例子，給乙個 線性回歸是什麼 的概念。圖來自 2 假設有乙個房屋銷售的資料如下 面積 m 2 銷售價錢 萬元 123 250 150 320 87 160 1...
機器學習（線性回歸）
在機器學習中，回歸 分類和標註共同構成了監督學習技術。監督學習 supervised learning 是機器學習在工業界應用最廣的乙個領域分支。在學術界中也是研究最多的領域之一。大家都知道的資料探勘十大經典演算法中，監督學習技術佔據6席。方法 自變數 特徵 因變數 結果 關係 回歸演算法是試圖採用...
機器學習 線性回歸
line fitter linearregression 建立模型 line fitter.fit temperature,sales 傳入引數 sales predict line fitter.predict temperature 模型 直線 直線上會有loss 計算loss時 要使用平方距離...