python 线性回归模型
时间: 2023-10-06 07:11:09 浏览: 39
线性回归是一种常见的机器学习算法,用于预测一个连续变量的值。它假设自变量和因变量之间存在线性关系,通过最小化预测值和真实值之间的差距来拟合数据集。
Python中实现线性回归模型的步骤如下:
1. 导入必要的库,如numpy和sklearn。
2. 准备数据集,包括自变量和因变量。
3. 分割数据集为训练集和测试集,一般比例为70%训练集,30%测试集。
4. 创建线性回归模型对象,使用fit()方法拟合训练数据。
5. 使用predict()方法预测测试数据的目标值。
6. 使用score()方法评估模型的性能。
下面是一个简单的示例代码,展示如何在python中实现线性回归模型:
```python
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
# 准备数据集
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([3, 7, 11])
# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# 创建线性回归模型对象
model = LinearRegression()
# 拟合训练数据
model.fit(X_train, y_train)
# 预测测试数据的目标值
y_pred = model.predict(X_test)
# 评估模型的性能
score = model.score(X_test, y_test)
print("预测值:", y_pred)
print("模型性能:", score)
```
输出结果:
```
预测值: [9. 5.]
模型性能: 1.0
```
以上代码展示了如何使用sklearn库中的LinearRegression类实现线性回归模型,包括拟合训练数据、预测测试数据和评估模型性能等步骤。