📅 最后修改于: 2020-04-28 04:46:15 🧑 作者: Mango
使用随机创建的数据集在Python中创建线性回归模型。
线性回归模型
线性回归
生成训练集
# Python库生成随机数
from random import randint
# 生成随机数的极限
TRAIN_SET_LIMIT = 1000
# 精确创建100个数据项
TRAIN_SET_COUNT = 100
# 包含输入和相应输出的列表
TRAIN_INPUT = list()
TRAIN_OUTPUT = list()
# 循环以创建100个数据项，每个数据项具有三列
for i in range(TRAIN_SET_COUNT):
a = randint(0, TRAIN_SET_LIMIT)
b = randint(0, TRAIN_SET_LIMIT)
c = randint(0, TRAIN_SET_LIMIT)
# 为每个数据项创建输出
op = a + (2 * b) + (3 * c)
TRAIN_INPUT.append([a, b, c])
# 将每个输出添加到输出列表
TRAIN_OUTPUT.append(op)机器学习模型–线性回归
可以通过以下两个步骤来创建模型：
1. 用训练数据训练模型
2. 用测试数据测试模型
训练模型
使用上述代码创建的数据用于训练模型
# Sk-Learn包含线性回归模型
from sklearn.linear_model import LinearRegression
# 初始化线性回归模型
predictor = LinearRegression(n_jobs =-1)
# 用数据填充模型
predictor.fit(X = TRAIN_INPUT, y = TRAIN_OUTPUT)测试数据
测试是手动完成的。可以使用一些随机数据进行测试，并测试模型是否为输入数据提供正确的结果。
# 随机测试数据
X_TEST = [[ 10, 20, 30 ]]
# 预测保存测试数据的X_TEST的结果
outcome = predictor.predict(X = X_TEST)
# 预测系数
coefficients = predictor.coef_
# 打印获得的测试数据结果
print('Outcome : {}\nCoefficients : {}'.format(outcome, coefficients))以上提供的测试数据的结果应该是，10 + 20×2 + 30 * 3 = 140
输出
Outcome : [ 140.]
Coefficients : [ 1. 2. 3.]