机器学习——Day 2 简单线性回归

写在开头

由于某些原因开始了机器学习，为了更好的理解和深入的思考（记录）所以开始写博客。

学习教程来源于github的Avik-Jain的100-Days-Of-MLCode

英文版：https://github.com/Avik-Jain/100-Days-Of-ML-Code

中文翻译版：https://github.com/MLEveryday/100-Days-Of-ML-Code

本人新手一枚，所以学习的时候遇到不懂的会经常百度，查看别人的博客现有的资料。但是由于不同的人思维和写作风格都不一样，有时候看到一些长篇大论就不想看，杂乱不想看（实力懒癌患者+挑剔）。看到别人写的不错的就不想再费时间打字了，所以勤奋的找了自认为简洁明了的文章分享在下面，希望能帮助到大家。

注意这是一篇记录博客，非教学。

第一步：数据预处理

关于这一步的具体说明在Day1讲过了，详情请看：https://www.cnblogs.com/hidari26/p/10923822.html。

这里导入我们需要的库，值得注意的是，这里比第一天多了一个matplotlib.pyplot,matplotlib是python上的一个2D绘图库, matplotlib下的模块pyplot是一个有命令样式的函数集合， matplotlib.pyplot是为我们对结果进行图像化作准备的。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
dataset = pd.read_csv('studentscores.csv')
X = dataset.iloc[ : , : 1].values
Y = dataset.iloc[ : , 1 ].values
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 1/4, random_state = 0)

接下来只要具体掌握如何使用sklearn.linear_model中的LinearRegression类，使用训练集做简单线性回归得到回归函数，通过回归函数使用测试集做出预测结果。

相关学习可参考：https://www.cnblogs.com/magle/p/5881170.html

英文参考：https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

第二步：训练集使用简单线性回归模型来训练

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor = regressor.fit(X_train, Y_train)

第三步：预测结果

Y_pred = regressor.predict(X_test)

关于matplotlib，自认为以下代码本身就通俗易懂。但显然这些类的用法不止如此，所以找了一些资料，有兴趣的可以看看。

散点图：

英文说明：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.scatter.html

中文说明（以下两个差别不大，都有案例）：

https://blog.csdn.net/m0_37393514/article/details/81298503

https://blog.csdn.net/qiu931110/article/details/68130199

线图：

英文说明：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html

中文说明：https://blog.csdn.net/u014539580/article/details/78207537

matplotlib.pyplot ：

英文说明：https://matplotlib.org/tutorials/introductory/pyplot.html#

中文说明（plt的一些函数）：https://blog.csdn.net/qiurisiyu2016/article/details/80187177

第四步：可视化

#散点图
plt.scatter(X_train, Y_train, color = 'red')
#线图
plt.plot(X_train, regressor.predict(X_train), 'bo-')
plt.show()

#散点图
plt.scatter(X_test, Y_test, color = 'red')
#线图
plt.plot(X_test, Y_pred, 'bo-')
plt.show()

总结

这一章的内容较少，理解难度也较少，所以没什么好说的了。

欢迎评论中提问，相关问题将在此更新！