4.21第五次作业

1.本节重点知识点用自己的话总结出来，可以配上图片，以及说明该知识点的重要性

1) 回归算法：

2) 线性回归：

（1）老师举了线性回归的应用：

①房价预测；

②销售额预测；

③贷款额度预测；

（2）在这个图中，线性回归的数据应该是连续型的，如果拿到的数据如上图的红色点，那就不符合线性回归模型。

（3）这个知识点是用代码比较数据和矩阵相乘的结果

3) 机器学习

梯度下降代码：

# 梯度下降

import random

import time

import matplotlib.pyplot as plt

# 产生数据

_xs = [0.1 * x for x in range(0, 10)]

_ys = [12 * i + 4 for i in _xs]

print(_xs)

print(_ys)

w = random.random()

b = random.random()

a1 = []

b1 = []

for i in range(100):

    for x, y in zip(_xs, _ys):

        o = w * x + b  # 预测值

        e = (o - y)  # 误差

        loss = e ** 2  # 损失

        dw = 2 * e * x  # 对w求导

        db = 2 * e * 1  # 对d求导

        # 梯度下降，0.1为学习率

        w = w - 0.1 * dw

        b = b - 0.1 * db

        # 最终结果：loss越小越好，w接近12，b接近4

        print('loss={0},w={1},b={2}'.format(loss, w, b))

    a1.append(i)

    b1.append(loss)

    plt.plot(a1, b1)

    plt.pause(0.1)

plt.show()

2.思考线性回归算法可以用来做什么？（大家尽量不要写重复）

　　如老师说的那般，线性回归算法可用迭代算法来减少误差，将损失函数最小化，也是基于已有的数据对新的数据进行预测，所以可用于：①预测某种产品的销量 ②根据每天地方的患病率，预测疫情的走向等等。

3.自主编写线性回归算法 ，数据可以自己造，或者从网上获取。（加分题）

 

代码：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import explained_variance_score,mean_squared_error,median_absolute_error
# 数据读取与预处理
data = pd.read_csv('./Python智能/Python大作业/201706120047吴狄2.csv')
data2 = pd.read_csv('./Python智能/Python大作业/测试集2.csv')
x = data.iloc[1:,6:8]
y = data2.iloc[1:,2:3]
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.5,random_state=5)
# 构建逻辑回归模型
LR_model = LogisticRegression()
# 训练模型
LR_model.fit(x_train,y_train.astype('int'))
# 预测模型
pre = LR_model.predict(x_test)
print('模型的正确率：',LR_model.score(x_test,y_test.astype('int')))
LR_model =LogisticRegression().fit(x_train,y_train.astype('int'))