1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性
2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）
3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）
1.线性回归的知识总结
（1）机器学习的回归，回归是属于监督学习
（2）回归算法
（3）回归和分类的区别
（3）机器学习回归算法还可以进行房价预测，销售额预测
（4）线性回归，通过一个或者多个和y之间进行建模的回归方法，之前学习过的梯度模型。
（5）机器预测也是有误差的
（6）最小二乘法
课堂代码：
#老师上课的代码 import random import time import matplotlib.pyplot as plt # 梯度下降 xs = [0.1*x for x in range(0,10)] ys = [12*i+4 for i in xs] print(xs) print(ys) w = random.random() b = random.random() a1=[] b1=[] for i in range(50): for x,y in zip(xs,ys): o = w*x + b #预测值 e = (o-y) #误差 loss = e**2 dw = 2*e*x #求导 db = 2*e*1 w = w - 0.1*dw b = b - 0.1*db print('loss={0}, w={1}, b={2}'.format(loss,w,b)) a1.append(i) b1.append(loss) plt.plot(a1,b1) plt.pause(0.1) plt.show()
运行截图：
2.思考线性回归算法可以用来做什么？
森林火灾预测、电影票房预测等等
3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）
使用线性回归模型对红酒进行预测
结合真实评分和预测评分，计算均方误差、中值绝对误差、可解释方差值。
根据得分，对模型的性能优劣进行评价。
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
data = load_breast_cancer()
x = data['data']
y = data['target']
x_train, x_test,y_train, y_test = train_test_split(x,y, test_size=0.2,random_state=5)
# 构建线性回归模型。
model_LR = LinearRegression().fit(x_train,y_train)#训练
pre = model_LR.predict(x_test)#测试
# c.结合真实评分和预测评分，计算均方误差、中值绝对误差、可解释方差值。
from sklearn.metrics import explained_variance_score,mean_squared_error,median_absolute_error
print("数据集线性回归模型的均方误差为：",mean_squared_error(y_test , pre))
print("数据集线性回归模型中值绝对误差为：",median_absolute_error(y_test,pre))
print("数据集线性回归模型的可解释方差值为：",explained_variance_score(y_test,pre))
# 根据得分，判定模型的性能优劣。
import matplotlib.pyplot as plt
p = plt.figure(figsize=(15,6))
a1 = p.add_subplot(2,1,1)
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
plt.plot(range(y_test.size),y_test,color="blue")
plt.plot(range(y_test.size),pre,color="red")
plt.legend(["真实值","预测值"])
plt.title("线性回归模型预测结果")