from __future__ import unicode_literals
import pickle
import numpy as np
import sklearn.linear_model as lm
import sklearn.metrics as sm
import matplotlib.pyplot as mp
#讀取訓練集
x,y = ,
with open('/users/youkechaung/desktop/演算法/資料分析/ai/day02/day02/data/single.txt','r') as f:
for line in f.readlines():
data = [float(substr)
for substr in line.split(',')]
x = np.array(x)
y = np.array(y)
#建立線性分類器
model = lm.linearregression()
#訓練線性回歸其
model.fit(x,y)
#**輸出
pred_y = model.predict(x)
#評估模型的正確的
print(sm.mean_absolute_error(y,pred_y))
print(sm.mean_squared_error(y,pred_y))
print(sm.median_absolute_error(y,pred_y))
print(sm.r2.score(y,pred_y)) #針對回歸模型的常用指標
with open('/users/youkechaung/desktop/演算法/資料分析/ai/day02/day02/data/linear.pkl','wb') as f:
pickle.dump(model,f)
mp.figure(num='linearregression',fontsize=20)
mp.xtable('x',fontsize=14)
mp.ylable('y',fontsize=14)
mp.tick_params(lablesize=10)
mp.scatter(x,y,c='dodgerblue',s=60,label='sample')
mp.plot(x,pred_y,'o-',c='orangered',label='prediciton')
mp.legend()
mp.show()
ML 線性回歸
說句廢話，相信大多數人和我一樣，最開始學習機器學習遇到的第乙個模型便是線性回歸，而且是一元線性回歸，但就這個模型，其實包含了很多的知識點，矩陣計算，最小二乘 梯度下降等知識點。我認為非常的有趣。這裡只是乙個簡單的介紹。1問題的引入 假設有乙個房屋銷售的資料如下 面積銷售 123250 150320 ...
多元線性回歸 ML
之前我們涉及過線性回歸，不過那個是單元的 乙個未知數x 這回我們來學習一下多元線性回歸 多個x 首先我們給一組房子資料 我們給出幾個關於多元線性回歸的概念 我們把 設為y，其他設為x 可以用向量的方式表示。比如x 2 多元線性回歸方程就為 還可以寫成 h x 0x0 1x1 2x2 3x3 nxn ...
ML 線性回歸系列（三） 嶺回歸
華電北風吹 日期 2015 11 25 本文主要對嶺回歸 ridge regression 進行總結。本系列的第一篇中線性回歸的轉化為如下的無約束優化問題 min m i 1 y i tx i 2 0 1 其中，x i r n 1 表示每個樣本都是n維向量，y i 表示樣本x i 對應的標籤，rn ...