1. 引入包
import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import LinearRegression from sklearn.preprocessing import PolynomialFeatures import sys reload(sys) sys.setdefaultencoding("utf-8")
2. 画图
# --------画图--------------- plt.figure() # 实例化作图变量 plt.title('single variable') # 图像标题 plt.xlabel('x') # x轴文本 plt.ylabel('y') # y轴文本 plt.axis([0, 400, 100, 400]) plt.grid(True) # 是否绘制网格线
3. 画点
# --------画点--------------- X = [[50], [100], [150], [200], [250], [300]] y = [[150], [200], [250], [280], [310], [330]] X_test = [[50], [250]] # 用来做最终效果测试 y_test = [[150], [310]] # 用来做最终效果测试 plt.plot(X, y, 'k.')
4. 一元线性回归
# --------画线(一元线性回归)--------------- model = LinearRegression() model.fit(X, y) X2 = [[0], [400]] y2 = model.predict(X2) plt.plot(X2, y2, 'g-')
5. 二元线性回归
# --------画线(二元线性回归)--------------- xx = np.linspace(0, 400, 100) # 设计x轴一系列点作为画图的x点集 quadratic_featurizer = PolynomialFeatures(degree=2) # 实例化一个二次多项式特征实例 X_train_quadratic = quadratic_featurizer.fit_transform(X) # 用二次多项式对样本X值做变换 xx_quadratic = quadratic_featurizer.transform(xx.reshape(xx.shape[0], 1)) # 把训练好X值的多项式特征实例应用到一系列点上,形成矩阵 regressor_quadratic = LinearRegression() # 创建一个线性回归实例 regressor_quadratic.fit(X_train_quadratic, y) # 以多项式变换后的x值为输入，代入线性回归模型做训练 X_test_quadratic = quadratic_featurizer.transform(X_test) plt.plot(xx, regressor_quadratic.predict(xx_quadratic), 'r-') # 用训练好的模型作图
6. 准确率输出
# --------输出，准确率--------------- print '一元线性回归 r-squared', model.score(X_test, y_test) print '二次回归 r-squared', regressor_quadratic.score(X_test_quadratic, y_test)
7. 显示图像：
plt.show() # 展示图像
8. 输出结果：
一元线性回归 r-squared 0.985555555556
二次回归 r-squared 0.99998963648
9. 显示图像
LinearRegression参数参考：http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html