上海外贸网站建设搜索引擎调词软件

• 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

1. 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

2. 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

3. 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：