线性回归算法-5.更多思考

波士顿房产数据分析

加载波士顿房产数据：

import numpy
import matplotlib.pyplot as plt
from sklearn import datasets

boston = datasets.load_boston()
X = boston.data
y = boston.target

X = X[y<50]
y = y[y<50]

此处不进行对训练数据和测试数据的分离，直接对所有的样本进行拟合，从而进行数据分析：

from sklearn.linear_model import LinearRegression

line_reg = LinearRegression()
line_reg.fit(X,y)

通过拟合，求出了每个特征值（房间数，是否临河，空气质量等）对应的系数：

line_reg.coef_ 

对于以上系数，正负反映了此特征对于房屋价格是正相关还是负相关，大小反映了此特征对房屋价格的影响程度

# 把系数进行从小到大排序，返回索引值
numpy.argsort(line_reg.coef_)   
# 特征值由小到大排列下的房屋特征
boston.feature_names[numpy.argsort(line_reg.coef_)]

由上看出，房间数'RM'多的，房价比较高，临河'CHAS'的房子，房价高。

线性回归算法总结

• 典型的参数学习
• 只能解决线性回归
• 对数据有假设：线性
• 优点：对数据有强解释性
• 问题：时间复杂度较高：(O(n^3))