怎么创建网站论坛,外贸商城网站系统,软件是怎么开发的,关于我们网站设计一、数据处理
1.加载csv数据进行查看
import pandas as pd
data pd.read_csv(generated_data.csv)
print(data)2.将上述数据的x和y进行分离开#xff0c;便于后续进行坐标建立
x data.loc[:,x]
y data.loc[:,y]
print(x,y)3.先使用matplotlib进行显示数据
…一、数据处理
1.加载csv数据进行查看
import pandas as pd
data pd.read_csv(generated_data.csv)
print(data)2.将上述数据的x和y进行分离开便于后续进行坐标建立
x data.loc[:,x]
y data.loc[:,y]
print(x,y)3.先使用matplotlib进行显示数据
from matplotlib import pyplot as plt
# 绘制散点图
plt.figure(figsize(5,5))
plt.title(generated_data)
plt.xlabel(x)
plt.ylabel(y)
plt.scatter(x,y)
plt.show()二、使用sklearn建立线性模型
1.使用LinearRegression
from sklearn.linear_model import LinearRegression
lr_model LinearRegression()
print(type(lr_model)) # class sklearn.linear_model._base.LinearRegression2.拟合线性回归模型 方法介绍
linear_regression.fit(X, y, sample_weightNone)X数组类型 y数组类型 weight可选参数样本权重
查看上述数据中x和y的类型以及维度
print(type(x),type(y))
print(x.shape,y.shape)转化为数组类型并设置维度为1列行数自动计算
import numpy as np
xnp.array(x)
ynp.array(y)
xx.reshape(-1,1)
yy.reshape(-1,1)使用fit()方法进行拟合
lr_model.fit(x,y)3.进行预测x3.5时的数值
y_3 lr_model.predict([[3.5]])4.进行查验该线性回归模型对应的a与b的系数值
# 打印出线性模型的系数a和b
a lr_model.coef_
b lr_model.intercept_
print(a,b)即对应y 2*x5
三、进行模型评估
使用均方误差和决定系数进行模型的评估 均方误差越小说明模型的预测越准确 决定系数越接近于1说明模型的拟合程度越好
from sklearn.metrics import mean_squared_error,r2_score
y_prelr_model.predict(x)
Mse mean_squared_error(y,y_pre)
R2 r2_score(y,y_pre)
print(Mse,R2)3.1554436208840474e-31 1.0说明均方误差是比较小的几乎接近0拟合程度完美
