第L2周：机器学习｜线性回归模型 LinearRegression：2. 多元线性回归模型
- 本文为365天深度学习训练营 中的学习记录博客
- 原作者：K同学啊
任务：
●1. 学习本文的多元线形回归模型。
●2. 参考文本预测花瓣宽度的方法，选用其他三个变量来预测花瓣长度。
一、多元线性回归
简单线性回归：影响 Y 的因素唯一，只有一个。
多元线性回归：影响 Y 的因数不唯一，有多个。
与一元线性回归一样，多元线性回归自然是一个回归问题。
相当于我们高中学的一元一次方程，变成了 n 元一次方程。因为 y 还是那个 y。只是自变量增加了。
二、代码实现
我的环境：
●语言环境：Python3.9
●编译器：Jupyter Lab
第1步：数据预处理
- 导入数据集
import pandas as pd
import numpy as npurl = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['花萼-length', '花萼-width', '花瓣-length', '花瓣-width', 'class'] dataset = pd.read_csv(url, names=names)
dataset
代码输出：
| 花萼-length | 花萼-width | 花瓣-length | 花瓣-width | class | |
|---|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 | Iris-setosa |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 | Iris-setosa |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 | Iris-setosa |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 | Iris-setosa |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 | Iris-setosa |
| ... | ... | ... | ... | ... | ... |
| 145 | 6.7 | 3.0 | 5.2 | 2.3 | Iris-virginica |
| 146 | 6.3 | 2.5 | 5.0 | 1.9 | Iris-virginica |
| 147 | 6.5 | 3.0 | 5.2 | 2.0 | Iris-virginica |
| 148 | 6.2 | 3.4 | 5.4 | 2.3 | Iris-virginica |
| 149 | 5.9 | 3.0 | 5.1 | 1.8 | Iris-virginica |
150 rows × 5 columns
备注：
如果报下面错误：URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: self signed certificate in certificate chain (_ssl.c:1129)>
在代码开头加上如下代码即可：
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
- 数据分析
import matplotlib.pyplot as pltplt.plot(dataset['花萼-length'], dataset['花瓣-width'], 'x', label="marker='x'")
plt.plot(dataset['花萼-width'], dataset['花瓣-width'], 'o', label="marker='o'")
plt.plot(dataset['花瓣-length'], dataset['花瓣-width'], 'v', label="marker='v'")plt.legend(numpoints=1)
plt.show()
代码输出：
X = dataset.iloc[ : ,[1,2]].values
Y = dataset.iloc[ : , 3 ].values
- 构建训练集、测试集
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)
第2步：训练多元线性回归模型
from sklearn.linear_model import LinearRegressionregressor = LinearRegression()
regressor.fit(X_train, Y_train)
第3步：在测试集上预测结果
y_pred = regressor.predict(X_test)
y_pred
代码输出：
array([1.76025586, 1.23794101, 0.29130263, 2.28334281, 0.2668048 ,2.18837013, 0.18945083, 1.61397124, 1.63158995, 1.28848086,1.95785242, 1.53661727, 1.58870131, 1.54581268, 1.59712462,0.24153487, 1.51134735, 1.44318879, 0.19022292, 0.22314407,1.67447859, 1.51977066, 0.43835934, 0.18179962, 1.63158995,0.06920823, 0.47205258, 1.42557008, 0.94614386, 0.30969343])
第4步：测试集预测结果可视化
plt.scatter(Y_test,y_pred, color='red')plt.xlabel("True")
plt.ylabel("Prediction")plt.show()
代码输出：
