使用自己的python代码实现线性回归模型预测

要使用Python实现线性回归模型来预测信用卡客户价值，我们可以按照以下步骤操作：

1. **数据预处理**[^1]:
导入所需的库并加载数据集，例如`numpy`和`matplotlib`用于数值计算和数据可视化，以及可能使用的`pandas`处理CSV文件。

   import numpy as np
   import pandas as pd
   import matplotlib.pyplot as plt

2. **数据加载与探索**[^2]:
使用`pandas`读取CSV数据，查看数据的基本信息。

   data = pd.read_csv('credit_card_data.csv')
   print(data.head()) # 查看数据前几行

3. **特征选择与编码**:
如果有分类变量，可以使用`OneHotEncoder`进行编码。

   from sklearn.preprocessing import OneHotEncoder
   categorical_features = ... # 列表形式，包含分类列的索引
   encoder = OneHotEncoder(sparse=False)
   encoded_data = encoder.fit_transform(data[categorical_features])

4. **拆分数据集**:
分割数据为训练集和测试集，通常采用80/20的比例。

   X_train, X_test, y_train, y_test = train_test_split(encoded_data, data['target_column'], test_size=0.2, random_state=42)

5. **模型创建与训练**:
使用`sklearn`库中的`LinearRegression`类创建线性回归模型。

   from sklearn.linear_model import LinearRegression
   model = LinearRegression()
   model.fit(X_train, y_train)

6. **模型评估**:
预测测试集结果，并计算如R²分数、均方误差等指标。

   y_pred = model.predict(X_test)
   r2_score = r2_score(y_test, y_pred)
   mse = mean_squared_error(y_test, y_pred)

7. **可视化**:
可视化训练数据和预测结果，以便于理解模型性能。

   plt.scatter(X_train[:, 0], y_train, color='blue')
   plt.plot(X_train[:, 0], model.predict(X_train), color='red', linewidth=2)
   plt.show()

8. **模型保存与应用**:
对于长期使用，可以选择序列化模型，例如使用`joblib`。

   joblib.dump(model, 'linear_regression_model.pkl')