- 通过大量小练习，直观学习：
- 判断连续与离散分布
- 简单的回归方程，斜率
slope和截距intercept的概念 - 使用回归方程进行预测
- 使用
sklearn进行回归分析
from sklearn.linear_model import LinearRegression
reg = LinearRegression()
reg.fit(ages_train, net_worths_train)
km_net_worth = reg.predict([[27]])[0][0]
### get the slope
slope = reg.coef_[0][0]
### get the intercept
intercept = reg.intercept_[0]
### get the score on test data
test_score = reg.score(ages_test, net_worths_test)
- 线性回归的误差
error：真实值与预测值之差 - 最佳回归：
- 方差最小的回归，或最小化SSE（Sum of Squared Errors）
- 获得最佳回归的方法：最小二乘法和梯度下降
- Minimizing the Sun of Squared Errors
- 当数据集增大是，SSE可能随之增大，因此在一个小的数据集上使用线性回归时，其SSE可能可能更小。
- 使用
R²来评估线性回归模型质量，可规避上一问题。-
R²理解：有多少输出的改变能用输入的改变来解释； - 取值通常在0到1之间；
- 其优点在于与数据集的大小无关
- 使用R²评估线性回归
- 在
sklearn中使用R²，即前文代码最后一行的.score() - 使用
matplotlib图形化回归结果
-
import matplotlib.pyplot as plt
plt.scatter()
plt.plot()
plt.xlabel()
plt.ylabel()
plt.show()
- 比较分类和回归
比较分类和回归
- 多元回归简介
- 回归迷你项目
