Искусственный интеллект — модель линейной регрессии

Python

Линейная регрессия

Первый вопрос

image.png

требовать разумногоy = ax + b

Просто найди ⬇️⬇️⬇️⬇️⬇️⬇️

image.png

⬆️⬆️⬆️⬆️⬆️⬆️ Минимальное значение функции потерь

Что ж, мы можем пересмотреть это еще раз, ниспровержение метода наименьших квадратов. Фронт人工智能必备数学知识-线性回归Да, это математический метод. Итак, какие методы используются в машинном обучении в области искусственного интеллекта?

Градиентный спуск

еще один вопрос

image.png

image.png

понимать

image.png

image.png

это цикл

image.png

Каждый раз по определенному размеру шага находить наклон следующей точки до сходимости

Машинное обучение для решения проблем на практике

Итак, давайте сначала рассмотрим основной процесс решения задач машинного обучения.

image.png

Первый вопрос

image.png

Однофакторное прогнозирование цен на жилье

# 数据加载
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score


# 获取数据
# import pandas as pd

data = pd.read_csv('task1_data.csv')
data.head()
print(type(data))

# x,y赋值

x = data.loc[:, '面积']
x.head()
y = data.loc[:, '房价']
y.head()

# 数据可视化
# from matplotlib import pyplot as plt

fig1 = plt.figure()
plt.scatter(x, y)
plt.show()

# 数据预处理

print(type(x))
x = np.array(x)
print(type(x), x.shape)

y = np.array(y)

# 维度转化
# import numpy as np
x = x.reshape(-1, 1)
print(type(x), x.shape)

y = y.reshape(-1, 1)

# 简历模型

model = LinearRegression()

print(model)

# 模型训练
# from sklearn.linear_model import LinearRegression

model.fit(x, y)

# 获取线性回归模型的参数 a,b


a = model.coef_
b = model.intercept_

print(a, b)

# 预测结果对比

y_predict = a * x + b
print(type(y_predict), y_predict)
y_predict2 = model.predict(x)
print(y_predict2 == y_predict)

# 数据预测

# 测试样本x_test = 100，计算y

x_test = np.array([100])
x_test = x_test.reshape(-1, 1)
y_test_predict = model.predict(x_test)

print(y_test_predict)

# 数据可视化

fig2 = plt.figure()
plt.scatter(x, y)
plt.plot(x, y_predict, label='y_predict')
plt.xlabel('size(x)')
plt.ylabel('price(y)')
plt.legend()
plt.show()

# 模型评估

# from sklearn.metrics import mean_squared_error, r2_score

MSE = mean_squared_error(y, y_predict)

R2 = r2_score(y, y_predict)

print(MSE)
print(R2)

вопрос 2

image.png

Многофакторный прогноз цен на жилье

import pandas as pd
import numpy as np
from matplotlib import pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 数据加载
# import pandas as pd

data = pd.read_csv('task2_data.csv')
data.head()

# 数据赋值及可视化
# form matplotlib import pyplot as plt

fig = plt.figure(figsize=(20, 5))
fig1 = plt.subplot(131)
plt.scatter(data.loc[:, '面积'], data.loc[:, '价格'], )
plt.title('Price VS Size')
fig2 = plt.subplot(132)
plt.scatter(data.loc[:, '人均收入'], data.loc[:, '价格'], )
plt.title('Price VS Income')
fig3 = plt.subplot(133)
plt.scatter(data.loc[:, '平均房龄'], data.loc[:, '价格'], )
plt.title('Price VS House_age')
plt.show()

# 面积价格单因子模型

# x, y赋值

x = data.loc[:, '面积']
y = data.loc[:, '价格']
x.head()
y.head()

# 数据预处理
# import numpy as np

x = np.array(x).reshape(-1, 1)
y = np.array(y).reshape(-1, 1)
print(x.shape, y.shape)


# 建立模型
# from sklearn.linear_model import LinearRegression

model = LinearRegression()

# 训练模型

model.fit(x, y)


a = model.coef_
b = model.intercept_

print(a, b)


# 建立预测数据
y_predict = model.predict(x)
print(y_predict)


# 数据可视化

fig4 = plt.figure()
plt.scatter(x, y)
plt.plot(x, y_predict, 'r')
plt.show()


# 模型评估
# from sklearn.metrics import mean_squared_error, r2_score

MSE = mean_squared_error(y, y_predict)
R2 = r2_score(y, y_predict)

print(MSE)
print(R2)



# 简历多因子模型

# x,y 赋值
y = y
x = data.drop(['价格'], axis=1)
x.head()
print(x.shape)


# 建立模型
model_multi = LinearRegression()

# 训练模型
model_multi.fit(x, y)

# 建立预测数据
y_predict_multi = model_multi.predict(x)


# 模型评估

MSE = mean_squared_error(y, y_predict)
R2 = r2_score(y, y_predict)

print(MSE)
print(R2)


# 数据可视化

# 三维x不好可视化，对比两次的y
fig5 = plt.figure()
plt.scatter(y, y_predict_multi)

plt.xlabel('real price(y)')
plt.ylabel('predicted price(x)')
plt.show()

# 对比单因子的，y，y_predict对比
fig6 = plt.figure()
plt.scatter(y, y_predict)
plt.xlabel('real price(y)')
plt.ylabel('predicted price(x)')
plt.show()


# 数据预测

x_test = np.array([160, 70000, 5]).reshape(1, -1)
print(x_test)
print(x_test.shape)
y_test_predict = model_multi.predict(x_test)
print(y_test_predict)
Категории