Python实现的线性回归算法示例【附csv文件下载】_线性回归算法实例代码

csv文件

23 浏览量更新于2023-03-03 评论 2 收藏 117KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Python实现的线性回归算法示例【附实现的线性回归算法示例【附csv文件下载】文件下载】

本文实例讲述了Python实现的线性回归算法。分享给大家供大家参考，具体如下：

用用python实现线性回归实现线性回归

Using Python to Implement Line Regression Algorithm

小菜鸟记录学习过程

代码：代码：

#encoding:utf-8

"""

Author: njulpy

Version: 1.0

Data: 2018/04/09

Project： Using Python to Implement LineRegression Algorithm

"""

import numpy as np

import pandas as pd

from numpy.linalg import inv

from numpy import dot

from sklearn.model_selection import train_test_split

import matplotlib.pyplot as plt

from sklearn import linear_model

# 最小二乘法

def lms(x_train,y_train,x_test):

theta_n = dot(dot(inv(dot(x_train.T, x_train)), x_train.T), y_train) # theta = (X'X)^(-1)X'Y

#print(theta_n)

y_pre = dot(x_test,theta_n)

mse = np.average((y_test-y_pre)**2)

#print(len(y_pre))

#print(mse)

return theta_n,y_pre,mse

#梯度下降算法

def train(x_train, y_train, num, alpha,m, n):

beta = np.ones(n)

for i in range(num):

h = np.dot(x_train, beta) # 计算预测值

error = h - y_train.T # 计算预测值与训练集的差值

delt = 2*alpha * np.dot(error, x_train)/m # 计算参数的梯度变化值

beta = beta - delt

#print('error', error)

return beta

if __name__ == "__main__":

iris = pd.read_csv('iris.csv')

iris['Bias'] = float(1)

x = iris[['Sepal.Width', 'Petal.Length', 'Petal.Width', 'Bias']] y = iris['Sepal.Length'] x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2,

random_state=5)

t = np.arange(len(x_test))

m, n = np.shape(x_train)

# Leastsquare

theta_n, y_pre, mse = lms(x_train, y_train, x_test)

# plt.plot(t, y_test, label='Test')

# plt.plot(t, y_pre, label='Predict')

# plt.show()

# GradientDescent

beta = train(x_train, y_train, 1000, 0.001, m, n)

y_predict = np.dot(x_test, beta.T)

# plt.plot(t, y_predict)

# plt.plot(t, y_test)

# plt.show()

# sklearn

regr = linear_model.LinearRegression()

regr.fit(x_train, y_train)

y_p = regr.predict(x_test)

print(regr.coef_,theta_n,beta)

l1,=plt.plot(t, y_predict)

l2,=plt.plot(t, y_p)

l3,=plt.plot(t, y_pre)

l4,=plt.plot(t, y_test)

plt.legend(handles=[l1, l2,l3,l4 ], labels=['GradientDescent', 'sklearn','Leastsquare','True'], loc='best')

plt.show()

输出结果

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38741950

粉丝: 2
资源: 962

会员权益专享

Python实现的线性回归算法示例【附csv文件下载】

评论0

会员权益专享

最新资源

Python实现的线性回归算法示例【附csv文件下载】

评论0

线性回归案例代码

线性回归模型训练数据集

Python自己实现线性回归算法

基于python实现线性回归

fsher线性判别算法python_通过机 器学习的线性回归算法预测股票走势 （用Python实现）

利用机器学习中多元线性回归算法获得数据之前因果关系python代码实现

python 预测算法_通过机器学习的线性回归算法预测股票走势（用Python实现）

使用python实现多元线性回归

python线性回归预测股票走势

python线性回归方法实现股票预测并给出一个案例

python 多元回归参数输出_Python和R之间线性回归系数的差异

python机器学习回归模型

编写python程序，对csv文件数据建立区域间模型

python回归算法预测天气气温

股票回归分析python

会员权益专享

最新资源

fsher线性判别算法python_通过机器学习的线性回归算法预测股票走势（用Python实现）