文章编号：2686 / 分类：技术教程 / 更新时间：2024-05-17 14:44:23 / 浏览：次

恭喜您成为首批注册用户

回归是最重要的统计和机器学习工具之一。我们认为机器学习的旅程从回归开始并不是错的。它可以被定义为使我们能够根据数据做出决定的参数化技术，或者换言之，允许通过学习输入和输出变量之间的关系来基于数据做出预测。这里，依赖于输入变量的输出变量是连续值的实数。在回归中，输入和输出变量之间的关系很重要，它有助于我们理解输出变量的值随输入变量的变化而变化。回归常用于预测价格，经济，变化等。

在本节中，我们将学习如何构建单一以及多变量回归器。

线性回归器/单变量回归器

让我们重点介绍一些必需的软件包-

importnumpyasnpfromsklearnimportlinear_modelimportsklearn.metricsassmimportmatplotlib.pyplotasplt

现在，我们需要提供输入数据，并将数据保存在名为linear.txt的文件中。

input='D:/ProgramData/linear.txt'

使用np.loadtxt函数加载这些数据。

training_samples=int(0.6*len(X))testing_samples=len(X)-num_trainingX_train,y_train=X[:training_samples],y[:training_samples]X_test,y_test=X[training_samples:],y[training_samples:]

现在，我们需要创建一个线性回归器对象。

reg_linear=linear_model.LinearRegression()

用训练样本训练对象。

reg_linear.fit(X_train,y_train)

下面使用测试数据做预测。

y_test_pred=reg_linear.predict(X_test)

现在绘制并可视化数据。

plt.scatter(X_test,y_test,color='red')plt.plot(X_test,y_test_pred,color='black',linewidth=2)plt.xticks(())plt.yticks(())plt.show()

执行上面示例代码，输出以下结果-

现在，我们可以计算线性回归的性能如下-

print("PerformanceofLinearregressor:")print("Meanabsoluteerror=",round(sm.mean_absolute_error(y_test,y_test_pred),2))print("Meansquarederror=",round(sm.mean_squared_error(y_test,y_test_pred),2))print("Medianabsoluteerror=",round(sm.median_absolute_error(y_test,y_test_pred),2))print("Explainvariancescore=",round(sm.explained_variance_score(y_test,y_test_pred),2))print("R2score=",round(sm.r2_score(y_test,y_test_pred),2))

线性回归器的性能输出结果如下-

Meanabsoluteerror=1.78Meansquarederror=3.89Medianabsoluteerror=2.01Explainvariancescore=-0.09R2score=-0.09

在上面的代码中，我们使用了这些小数据源。如果想要处理一些大的数据集，那么可以使用sklearn.dataset来导入更大的数据集。

2,4.82.9,4.72.5,53.2,5.56,57.6,43.2,0.92.9,1.92.4,3.50.5,3.41,40.9,5.91.2,2.583.2,5.65.1,1.54.5,1.22.3,6.32.1,2.8

多变量回归首先，让我们导入一些必需的软件包-

importnumpyasnpfromsklearnimportlinear_modelimportsklearn.metricsassmimportmatplotlib.pyplotaspltfromsklearn.preprocessingimportPolynomialFeatures

现在，需要提供输入数据，并将数据保存在名为linear.txt的文件中。

input='D:/ProgramData/Mul_linear.txt'

我们将通过使用np.loadtxt函数加载这些数据。

training_samples=int(0.6*len(X))testing_samples=len(X)-num_trainingX_train,y_train=X[:training_samples],y[:training_samples]X_test,y_test=X[training_samples:],y[training_samples:]

现在，我们需要创建一个线性回归器对象。

reg_linear_mul=linear_model.LinearRegression()

用训练样本训练对象。

reg_linear_mul.fit(X_train,y_train)

现在，最后需要用测试数据做预测。

y_test_pred=reg_linear_mul.predict(X_test)print("PerformanceofLinearregressor:")print("Meanabsoluteerror=",round(sm.mean_absolute_error(y_test,y_test_pred),2))print("Meansquarederror=",round(sm.mean_squared_error(y_test,y_test_pred),2))print("Medianabsoluteerror=",round(sm.median_absolute_error(y_test,y_test_pred),2))print("Explainvariancescore=",round(sm.explained_variance_score(y_test,y_test_pred),2))print("R2score=",round(sm.r2_score(y_test,y_test_pred),2))

线性回归器的性能输出结果如下-

Meanabsoluteerror=0.6Meansquarederror=0.65Medianabsoluteerror=0.41Explainvariancescore=0.34R2score=0.33

现在，我们将创建一个10阶多项式并训练回归器。并提供样本数据点。

[1.8697225]

在上面的代码中，我们使用了这些小数据。如果想要一个大的数据集，那么可以使用sklearn.dataset来导入一个更大的数据集。

2,4.8,1.2,3.22.9,4.7,1.5,3.62.5,5,2.8,23.2,5.5,3.5,2.16,5,2,3.27.6,4,1.2,3.23.2,0.9,2.3,1.42.9,1.9,2.3,1.22.4,3.5,2.8,3.60.5,3.4,1.8,2.91,4,3,2.50.9,5.9,5.6,0.81.2,2.58,3.45,1.233.2,5.6,2,3.25.1,1.5,1.2,1.34.5,1.2,4.1,2.32.3,6.3,2.5,3.22.1,2.8,1.2,3.6以上内容是否对您有帮助：在文档使用的过程中是否遇到以下问题：

更多建议：

违法和不良信息举报电话：173-0602-2364|

相关标签： AI人工智能在Python中构建回归器、

本文地址：https://www.badfl.com/article/85db5b3f1c1fc1488361.html

上一篇：AI人工智能如何用逻辑编程解决问题...
下一篇：AI人工智能分类失衡问题...