Press "Enter" to skip to content

Python 用5行代码学机器学习—线性回归

我准备使用scikit-learn给大家介绍一些模型的基础知识,今天就来讲讲线性回归模型。

 

1.准备

 

开始之前,你要确保Python和pip已经成功安装在电脑上噢,如果没有,请访问这篇文章:超详细Python安装指南 进行安装。如果你用Python的目的是数据分析,可以直接安装Anaconda:Python数据分析与挖掘好帮手—Anaconda

 

Windows环境下打开Cmd(开始—运行—CMD),苹果系统环境下请打开Terminal(command+空格输入Terminal),准备开始输入命令安装依赖。

 

当然,我更推荐大家用VSCode编辑器,把本文代码Copy下来,在编辑器下方的终端运行命令安装依赖模块,多舒服的一件事啊:Python 编程的最好搭档—VSCode 详细指南。

 

在终端输入以下命令安装我们所需要的依赖模块:

 

pip install scikit-learn

 

2.简单的训练集

 

冬天快到了,深圳这几天已经准备开始入冬了。

 

从生活入手,外界温度对是否穿外套的影响是具有线性关系的:

 

外界温度是否穿外套

 

30度不

 

25度不

 

20度不

 

15度是

 

10度是

 

现在,考虑这样的一个问题:如果深圳的温度是12度,我们应不应该穿外套?

 

这个问题很简单,上述简单的训练集中,我们甚至不需要机器学习就能轻易地得到答案:应该。但如果训练集变得稍显复杂一些呢:

 

你能看出其中x1, x2, x3和y之间的规律吗?

 

比较难,但是如果你有足够的数据(比如100个),机器学习能够迅速解决这个问题。

 

为了方便展示机器学习的威力,我们在这里生产100个这样的训练集(公式为: y=x1 + 2*x2 + 3*x3):

 

from random import randintTRAIN_SET_LIMIT = 1000TRAIN_SET_COUNT = 100TRAIN_INPUT = list()TRAIN_OUTPUT = list()for i in range(TRAIN_SET_COUNT): a = randint(0, TRAIN_SET_LIMIT) b = randint(0, TRAIN_SET_LIMIT) c = randint(0, TRAIN_SET_LIMIT) op = a + (2*b) + (3*c) TRAIN_INPUT.append([a, b, c]) TRAIN_OUTPUT.append(op)

 

然后让线性回归模型使用该训练集(Training Set)进行训练(fit),然后再给定三个参数(Test Data),进行预测(predict),让它得到y值(Prediction),如下图所示。

 

3.训练和测试

 

为什幺我使用sklearn?因为它真的真的很方便。像这样的训练行为,你只需要3行代码就能搞定:

 

from sklearn.linear_model import LinearRegressionpredictor = LinearRegression(n_jobs=-1)predictor.fit(X=TRAIN_INPUT, y=TRAIN_OUTPUT)

 

需要注意线性回归模型(LinearRegression)的参数:

 

n_jobs:默认为1,表示使用CPU的个数。当-1时,代表使用全部CPU

 

predictor.fit 即训练模型,X是我们在生成训练集时的TRAIN_INPUT,Y即TRAIN_OUTPUT.

 

训练完就可以立即进行测试了,调用predict函数即可:

 

X_TEST = [[10, 20, 30]]outcome = predictor.predict(X=X_TEST)coefficients = predictor.coef_print(‘Outcome : {}\nCoefficients : {}’.format(outcome, coefficients))

 

这里的 coefficients 是指系数,即x1, x2, x3.

 

得到的结果如下:

 

Outcome : [ 140.]Coefficients : [ 1. 2. 3.]

 

验证一下:10 + 20*2 + 30*3 = 140 完全正确。

 

如何,机器学习模型,用起来其实真的没你想象中的那幺难,大部分人很可能只是卡在了安装 scikit-learn 的路上…

 

顺便给大家留个小练习,将下列欧式距离,使用线性回归模型进行表示。

 

解决思路和本文的方案其实是类似的,只不过需要变通一下。

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注