回归算法 - 入门教程

回归算法 - 入门教程 首页 / 机器学习入门教程 / 回归算法 - 入门教程

回归是另一个重要且广泛使用的统计和机器学习工具。基于回归的任务的主要目标是针对给定的输入数据,预测输出标签或响应,输出将基于模型在训练阶段学到的知识。基本上,回归模型使用输入数据特征及其对应的连续数字输出值(因变量或输出变量)来学习输入与对应输出之间的特定关联。

回归概论

回归类型

回归模型的类型

回归模型具有以下两种类型-

简单回归模型    - 这是最基本的回归模型,其中,预测是根据数据的单变量特征形成的。

多元回归模型    - 顾名思义,在该回归模型中,预测是根据数据的多个特征形成的。

代码实现

可以像构造分类器一样构造Python中的Regressor模型,Scikit-learn,一个用于机器学习的Python库,也可以用于在Python中构建一个回归器。

在以下示例中,无涯教程将构建基本的回归模型,该模型将使一条线适合数据,即线性回归器。在Python中构建回归器的必要步骤如下-

第1步 - 导入包

为了使用scikit-learn构建回归器,需要将其与其他必要的软件包一起导入。可以使用以下脚本导入-

import numpy as np
from sklearn import linear_model
import sklearn.metrics as sm
import matplotlib.pyplot as plt

第2步 - 导入数据集

导入必要的程序包后,需要一个数据集来构建回归预测模型,可以从sklearn数据集中导入它,也可以根据需要使用其他一个,将使用保存的输入数据。可以在以下脚本的帮助下导入它-

input=r'C:\linear.txt'

接下来,需要加载此数据,正在使用 np.loadtxt 函数进行加载。

input_data=np.loadtxt(input, delimiter=',')
X, y=input_data[:, :-1], input_data[:, -1]

第3步 - 数据整理

由于无涯教程需要在看不见的数据上测试模型,因此,将数据集分为两部分:训练集和测试集。以下命令将执行它-

无涯教程网

training_samples = int(0.6 * len(X))
testing_samples = len(X) - num_training
X_train, y_train = X[:training_samples], y[:training_samples]
X_test, y_test = X[training_samples:], y[training_samples:]

第4步 - 模型评估和预测

将数据划分为训练和测试后,需要构建模型,为此,将使用Scikit-learn的LineaRegression()函数,以下命令将创建一个线性回归对象。

reg_linear=linear_model.LinearRegression()

接下来,使用以下训练样本训练此模型:

reg_linear.fit(X_train, y_train)

现在,最后需要对测试数据进行预测。

y_test_pred=reg_linear.predict(X_test)

第5步 - 绘图和可视化

经过预测,无涯教程可以在以下脚本的帮助下进行绘制和可视化-

plt.scatter(X_test, y_test, color = 'red')
plt.plot(X_test, y_test_pred, color = 'black', linewidth = 2)
plt.xticks(())
plt.yticks(())
plt.show()

输出

Plot Visualization

在上面的输出中,可以看到数据点之间的回归线。

第6步 - 性能计算

print("Regressor model performance:")
print("Mean absolute error(MAE) =", round(sm.mean_absolute_error(y_test, y_test_pred), 2))
print("Mean squared error(MSE) =", round(sm.mean_squared_error(y_test, y_test_pred), 2))
print("Median absolute error =", round(sm.median_absolute_error(y_test, y_test_pred), 2))
print("Explain variance score =", round(sm.explained_variance_score(y_test, y_test_pred), 2))
print("R2 score =", round(sm.r2_score(y_test, y_test_pred), 2))

输出

Regressor model performance:
Mean absolute error(MAE)=1.78
Mean squared error(MSE)=3.89
Median absolute error=2.01
Explain variance score=-0.09
R2 score=-0.09

祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)

技术教程推荐

赵成的运维体系管理课 -〔赵成〕

Go语言核心36讲 -〔郝林〕

如何做好一场技术演讲 -〔极客时间〕

Swift核心技术与实战 -〔张杰〕

MongoDB高手课 -〔唐建法(TJ)〕

现代C++编程实战 -〔吴咏炜〕

接口测试入门课 -〔陈磊〕

业务开发算法50讲 -〔黄清昊〕

零基础学Python(2023版) -〔尹会生〕

好记忆不如烂笔头。留下您的足迹吧 :)