机器学习基础算法 (一)-线性回归

python 环境的配置参考 从零开始:Python 环境搭建与工具配置

线性回归的 Python 实现

线性回归是一种经典的机器学习算法,用于预测连续的目标变量。它假设目标变量和特征之间存在线性关系。本文将详细介绍线性回归的原理、Python 实现、模型评估和调优,并结合房价预测案例进行实战演练。

一、线性回归原理

线性回归的目标是找到一条最佳拟合线,能够最大程度地描述特征与目标变量之间的关系。这条线可以用以下公式表示:

y = β₀ + β₁x₁ + ⋯ + βᵣ𝑥ᵣ + 𝜀

其中:

  • y 是目标变量
  • x₁, x₂, ..., xᵣ 是特征
  • β₀ 是截距
  • β₁, β₂, ..., βᵣ 是系数
  • 𝜀 是误差项

线性回归模型通过学习训练数据,找到最佳的 β₀, β₁, ..., βᵣ 参数值,使得预测值与真实值之间的误差最小化。

二、Python 实现线性回归模型

Python 中可以使用 scikit-learn 库来实现线性回归模型。以下是一个简单的示例:

python 复制代码
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# 导入数据
# 假设 X 是特征矩阵,y 是目标变量向量

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print('均方误差:', mse)
print('R²:', r2)

三、模型评估和调优

线性回归模型的评估指标主要包括:

  • 均方误差 (MSE): 衡量预测值与真实值之间误差的平方和的平均值。
  • R²: 衡量模型对目标变量方差的解释程度。

为了提高模型的性能,可以进行以下调优:

  • 特征工程: 选择合适的特征,进行特征缩放、特征组合等操作。
  • 正则化: 添加 L1 或 L2 正则化项,防止模型过拟合。
  • 超参数调优: 调整模型的超参数,例如学习率、迭代次数等。

四、案例实战:房价预测

下面我们使用线性回归模型来预测房价。

1. 导入必要的库

python 复制代码
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt

2. 加载数据

python 复制代码
# 使用 pandas 加载数据
data = pd.read_csv('housing.csv')  # 将 'housing.csv' 替换为实际文件名

# 选择特征和目标变量
X = data[['RM']]  # 使用房间数量作为特征
y = data['MEDV']  # 房价中位数作为目标变量

3. 划分训练集和测试集

python 复制代码
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建和训练模型

python 复制代码
model = LinearRegression()
model.fit(X_train, y_train)

5. 预测和评估

python 复制代码
y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print('均方误差:', mse)
print('R²:', r2)

6. 可视化结果

python 复制代码
plt.scatter(X_test, y_test, color='blue')
plt.plot(X_test, y_pred, color='red', linewidth=2)
plt.xlabel('房间数量')
plt.ylabel('房价中位数')
plt.title('线性回归预测房价')
plt.show()

完整代码:

python 复制代码
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt

# 加载数据
data = pd.read_csv('housing.csv')
X = data[['RM']]
y = data['MEDV']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建和训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测和评估
y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print('均方误差:', mse)
print('R²:', r2)

# 可视化结果
plt.scatter(X_test, y_test, color='blue')
plt.plot(X_test, y_pred, color='red', linewidth=2)
plt.xlabel('房间数量')
plt.ylabel('房价中位数')
plt.title('线性回归预测房价')
plt.show()

完整的代码: LinerRegression

总结:

本文介绍了线性回归的原理、Python 实现、模型评估和调优,并通过房价预测案例演示了如何使用线性回归模型进行预测。线性回归是一种简单易懂的算法,但它在许多领域都有广泛的应用。希望本文能帮助你理解线性回归,并能够使用 Python 进行实际应用。

想要系统学习AI算法Python实现?这个专栏将带你学习机器学习基础算法、深度学习基础算法、强化学习基础算法、模型优化与调参。每个都将包括原理、算法和实战!

点击进入:AI算法Python实现

点击进入:机器学习基础算法 (二)-逻辑回归

本文为原创内容,未经许可不得转载。

相关推荐
ATM00626 分钟前
人机协作系列(四)AI编程的下一个范式革命——看Factory AI如何重构软件工程?
人工智能·大模型·agent·人机协作·人机协同
读创商闻1 小时前
极狐GitLab CEO 柳钢——极狐 GitLab 打造中国企业专属 AI 编程平台,引领编程新潮流
人工智能·gitlab
kailp1 小时前
语言模型玩转3D生成:LLaMA-Mesh开源项目
人工智能·3d·ai·语言模型·llama·gpu算力
marteker1 小时前
弗兰肯斯坦式的人工智能与GTM策略的崩溃
人工智能·搜索引擎
无心水1 小时前
大语言模型零样本情感分析实战:无需机器学习训练,96%准确率实现指南
人工智能·机器学习·语言模型
来自于狂人1 小时前
AI大模型训练的云原生实践:如何用Kubernetes指挥千卡集群?
人工智能·云原生·kubernetes
橡晟7 小时前
深度学习入门:让神经网络变得“深不可测“⚡(二)
人工智能·python·深度学习·机器学习·计算机视觉
墨尘游子7 小时前
神经网络的层与块
人工智能·python·深度学习·机器学习
Leah01057 小时前
什么是神经网络,常用的神经网络,如何训练一个神经网络
人工智能·深度学习·神经网络·ai
倔强青铜37 小时前
苦练Python第18天:Python异常处理锦囊
开发语言·python