机器算法之回归分析

机器算法之回归分析

文章目录

• 前言
• 一、线性回归
• • 1.一元线性回归
  • 2.多元线性回归
  • 3.使用LinearRegression()对make_regression生成的回归数据集进行多元线性回归
• 二、岭回归
• • 1.生成训练数据
  • 2.应用
• 三、逻辑回归
• • 1.使用LogisticRegression()进行二元逻辑回归
  • 2.使用LogisticRegression()进行多元逻辑回归
• 四、多项式回归
• • 1.单特征数据集多项式回归（比较不同最高指数的多项式回归）
  • 2.多特征数据集多项式回归
  • 3.二元二次多项式回归
• 五、综合实例
• 总结

前言

提示：这里可以添加本文要记录的大概内容：
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习算法之常用回归算法。

提示：以下是本篇文章正文内容，下面案例可供参考

一、线性回归

1.一元线性回归

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
path='C:\Users\Administrator\'  # 等价于import os  os.getcwd()
ad_csv(path+'1x_regression.csv',sep=',',encoding='utf-8').values
X.shape
lr=LinearRegression()
lr.fit(X[:,0].reshape(-1,1),X[:,1].reshape(-1,1))  #X[:,1]取X最后一列做一维数组(标签)
lr.predict(X[:,0].reshape(-1,1))
print('回归方程:','y=',lr.coef_[0],'*x+',lr.intercept_[0])
for x in range(10):print('x=',x,'时,y的预测值为',lr.predict([[x]]))

输出结果：

2.多元线性回归

#加载数据集
ad_csv(path+'3x_regression.csv',sep=',',encoding='utf-8').values
lr=LinearRegression()
lr.fit(X[:,0:3],X[:,3])
print('回归系数为',lr.coef_)
print('截距为',lr.intercept_)
print('回归方程：','y=',lr.coef_[0],'*x0+',lr.coef_[1],'*x1+',lr.coef_[2],'*x2+',lr.intercept_)
for x0 in [1,3