织梦网站做瀑布流方便,建设网站平台的建议,寄生虫网站排名代做,内网建站软件要学习scikit-learn,我们必须要到scikit-clearn的官网中去查看公式和原理 scikit-learn 官网 scikit-learn 中文社区 进入官网一以后我们找到回归#xff0c;然后再有监督学习中找到线性模型
scikit-learn实现简单的线性回归
公式#xff1a; L2范数是指向量中每个元素的平…要学习scikit-learn,我们必须要到scikit-clearn的官网中去查看公式和原理 scikit-learn 官网 scikit-learn 中文社区 进入官网一以后我们找到回归然后再有监督学习中找到线性模型
scikit-learn实现简单的线性回归
公式 L2范数是指向量中每个元素的平方和的平方根。在数学中L2范数也称为欧几里得范数通常用 ∣ ∣ x ∣ ∣ 2 ||x||_2 ∣∣x∣∣2 表示其中x是一个向量。L2范数可用于衡量向量的大小或长度。 L2范数在机器学习和数据科学中经常用于正则化和优化问题中例如岭回归和支持向量机等算法。在这些情况下通过对损失函数添加L2正则化项可以避免过拟合并提高模型的泛化能力。同时L2范数也被用来作为相似性度量的度量标准如余弦相似性。 L2范数公式 ∣ ∣ x ∣ ∣ 2 ( ∑ ∣ x i ∣ 2 ) ||x||_2 \sqrt{(∑|x_i|^2)} ∣∣x∣∣2(∑∣xi∣2)
代码实现
import numpy as np
import matplotlib.pyplot as plt 模拟数据
X np.linspace(0, 10, num30).reshape(-1, 1)
# 斜率和截距随机生成
w np.random.randint(1, 5, size1)
b np.random.randint(1, 10, size1)
# 根据一元一次方程计算目标值y并加上‘噪声’数据有上下波动
y X * w b np.random.randn(30,1) # 注意要添加噪声避免出现过拟合
plt.scatter(X,y) # 将图形展现出来计算斜率和截距
from sklearn.linear_model import LinearRegression
# 创建对象
model LinearRegression(fit_interceptTrue) # fit_intercept 是否计算裁距
model.fit(X,y)
print(算法求得的系数,斜率,model.coef_)
print(算法求得的截距,model.intercept_)和算法求得的斜率和截距进行对比验证
print(这是真实的斜率和截距是,w,b)获取拟合后的图形
plt.scatter(X,y,colorred)
plt.plot(X,model.coef_*X model.intercept_,colorgreen)这个时候我们要哦特别注意的是 model LinearRegression(fit_interceptFalse) # fit_intercept 在使用 LinearRegression创建对象的时候fit_intercept参数开启则计算裁距 如果不计算裁距情况如何获得集合的图形 from sklearn.linear_model import LinearRegression
# 创建对象
model LinearRegression(fit_interceptFalse) # fit_intercept 是否计算裁距
X_ np.concatenate([X,np.full(shape(30,1),fill_value1)],axis1)
model.fit(X_,y)
print(算法求得的系数,斜率,model.coef_)
print(算法求得的截距,model.intercept_)plt.scatter(X,y,colorred)
plt.plot(X,model.coef_[0,0]* X model.coef_[0,1],colorgreen)获取系数
np.linalg.inv(X_.T.dot(X_)).dot(X_.T).dot(y)scikit-learn实现多元的线性回归
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D # 绘制三维图像模拟数据
# 转化为矩阵
x1 np.random.randint(-150, 150, size(300, 1))
x2 np.random.randint(0, 300, size(300, 1))
# 斜率和截距都是随机生成的
w np.random.randint(1, 5, size2)
b np.random.randint(1, 10, size1)
# 根据二元一次方程计算目标值y 并且加上“噪声”让数据上下波动
y x1 * w[0] x2 * w[1] b np.random.randn(300, 1)创建对象
from sklearn.linear_model import LinearRegression
model LinearRegression()
X np.concatenate([x1,x2],axis 1)
model.fit(X,y)
print(model.coef_,model.intercept_)输出真实的斜率和系数用于与算法得出的数值进行对比
print(w,b)生成拟合图形
# 特征1x1
x_axis np.linspace(-150,150,num500)
# 特征2 x2
y_axis np.linspace(0,300,num500)
# 方程 斜率截距
Z_axis x_axis * model.coef_[0,0] y_axis * model.coef_[0,1] model.intercept_
fig plt.figure(figsize(9,6))
ax Axes3D(fig)
ax.scatter(x1,x2,y) #三维散点图
ax.plot(x_axis,y_axis,Z_axis)坚持学习整理复盘
